超高分辨率的遥感图像上的分割结果，原文链接：SAM3+遥感https://mp.weixin.qq.com/s/2Dq2vhtPjdfGcGbgnvlDag
在之前谈到开放词汇分割方案时，必然离不开免训练的 CLIP 派系和 SAM 辅助派系两大类，但前者在精确定位方面常常面临挑战，后者则通常依赖于复杂的多阶段流程。
典型的如遥感图像分析领域，上述问题更为突出。如何在包含成千上万密集小型目标（如车辆、小型建筑）与广阔无定形背景（如农田、水域）的复杂场景中，实现精准的像素级识别？
更棘手的是，真实世界的遥感应用需要处理几乎无限的视觉概念，从突发的灾害损毁到新建的城市设施，模型必须能够理解从未见过的物体类别。
具备可提示概念分割的SAM3非常适配开放词汇分割任务，但直接应用预训练的SAM3模型进行特定任务的处理可行吗？在特定领域中应用SAM3到底需不需要微调呢？
今天给大家介绍的来自西交大的一篇工作，基于 SAM 3 的统一架构提供了一个比复杂的 CLIP 集成方法更强大且更简单的基础模型，用于遥感图像分析，且完全无需额外训练！项目代码已开源、论文链接如下。
# Paper SegEarth-OV3: Exploring SAM 3 for Open-Vocabulary Semantic Segmentation in Remote Sensing Images # 论文 https://arxiv.org/pdf/2512.08730 # 代码 https://github.com/earth-insights/SegEarth-OV-3一、传统方法的双难困境
长期以来，遥感开放词汇语义分割领域被两大技术路线所主导，但它们各自存在明显缺陷：
CLIP 派系：基于CLIP的免训练方法（如MaskCLIP、SCLIP）虽然避免了训练成本，但由于CLIP本身是为图像级分类设计，将其直接用于像素级定位时，往往产生粗糙、模糊的边界。
SAM 辅助派系：RemoteSAM 和 InstructSAM 利用基于SAM的流程将分割与更广泛的解耦任务统一起来。然而，这些方法通常依赖于复杂的多阶段流程需要多个独立模型协同工作，或者需要针对遥感场景仍需专门训练。
二、SAM3：统一架构的降维打击
SAM3 的架构特性与遥感场景完美适配，而且能力都是原生内置的，无需额外的训练或复杂的集成。比如密集小目标、无定形背景、类别稀疏性以及开放词汇需求都是遥感分析面临的四大挑战。
SAM3 将分割、识别、存在性判断统一在一个简洁的框架中。其中三项技术与视觉无限概念的遥感图像场景天然适配。
解耦的三头架构：语义头、实例头、存在性头各司其职；
可提示的概念分割：用户可通过文本描述直接指导模型；
内置前景判断：存在性头能自动判断目标是否存在于场景中；
三、SegEarth-OV3：无需训练的遥感分割
遥感图像中存在两种截然不同的区域：需要像素级语义连续性的无定形物体，以及需要实例级边界精确度的可计数事物。
利用 SAM3 的实例头专门处理可计数对象，保证边界精确，利用其语义头处理无定形区域，保持土地覆盖的完整性。
另外在遥感场景中，一个完整的土地覆盖词汇表可能包含上百个类别，但单个图像块通常只包含其中少数几个。这种高类别稀疏性导致大量不必要的计算和误报。
SAM3 的存在性头提供了完美的解决方案：它能够快速判断某个概念是否存在于当前场景中，从而在早期就过滤掉大量无关类别，将计算资源集中在真正相关的识别任务上。
SegEarth-OV3 的有效性在17个遥感数据集和三个通用场景基准上进行了评估，展示了在多类语义分割和单类提取任务中的最先进性能：
零训练成本：完全使用原始 SAM3 权重，无需任何微调；
边界精度提升：相比 CLIP 基线上边界清晰度提升30%以上；
处理效率优化：存在性过滤减少40%不必要的计算；
通用性强：不仅在遥感场景有效，在自然图像分割基准上也表现优异；
SAM3 的解耦架构本身就能胜任遥感开放词汇分割，复杂流程和领域训练可能不再是必选项。
文末有其他几篇遥感领域大模型的文章介绍，小伙伴们可留言区回复‘加群’进入大模型交流群、视觉应用落地交流群！
