SAM-PARSER：通过参数空间重构高效微调 SAM

基于摘要分析。本文研究 Segment Anything Model（SAM）在不同场景下游图像分割任务中的高效微调，提出 SAM-PARSER：通过矩阵分解提取原参数空间的基底，微调组合系数以重构适配新场景的参数空间，而非主要依赖新增参数改变原参数空间。 核心假设是 SAM 的原参数空间相对完备，其基底能够通过适当的线性组合表达新场景所需的参数空间。相较于引入额外适配参数的方法，SAM-PARSER 将优化对象转向基底的组合系数。摘要称其微调时引入近乎零的可训练参数，但仍明确需要优化系数，因此不能理解为完全无需训练；具体矩阵分解方式、作用于哪些权重、基底是否固定、系数规模及训练损失尚未验证。 作者报告，在多种图像分割场景中，SAM-PARSER 取得更优分割表现，且相较于所比较的参数高效微调方法，可训练参数数量约缩减 290 倍。摘要未列出具体数据集、划分、评价指标和对照方法，因此这一比例仅能保留为作者在所用实验条件下的报告，不能等同于训练时间、显存或推理开销降低相同倍数。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制是利用预训练权重的基底约束域适应，而不是直接将图像分割模型用于 BCI。若 EEG 基础模型的预训练权重已覆盖目标任务所需表征，可尝试复用矩阵分解与系数微调模块；需针对 EEG 模型权重形状、通道配置和任务输出改造。该假设依赖原参数空间的覆盖能力，低信噪比、跨被试差异、通道变化及小样本系数拟合均可能使其失效。一个可检验的小实验是在同一 EEG 预训练模型和固定跨被试划分下，对比系数微调、常规参数高效微调及全量微调，控制训练预算并记录同一任务指标与可训练参数量。已有 EEG 相关工作尚未检索确认。