TL;DR

针对水下环境色彩失真和目标伪装带来的视觉挑战，东南大学研究团队发布了 UW-VOS——全球首个大规模水下视频对象分割 (VOS) 数据集。同时，他们基于 SAM2 提出了 SAM-U 架构，通过创新性的 光谱通道门控 (SCG) 机制，仅利用 2% 的参数微调便刷新了水下分割的 SOTA 纪录。

痛点深挖：为什么陆地上的视觉之王在水下会“失明”？

当前的视频对象分割 (VOS) 技术在陆地场景（如 DAVIS, YouTube-VOS）已取得了惊人的准确率。然而，一旦进入水底，问题接踵而至：

1. 光谱衰减 (Wavelength-dependent Attenuation)：水对红光的吸收极快，导致画面呈现蓝绿色调，物体的色彩对比度丧失。
2. 生物伪装 (Camouflage)：水下生物进化出了极强的保护色，与背景高度融合。
3. 小目标与频繁出入：56.3% 的水下目标属于极小目标（Mask Ratio < 0.01），且鱼类游动轨迹难以预测，经常进出画面边缘导致 identity switch。

现有数据集（如 CoralVOS）往往只关注单一类别（如珊瑚），难以支撑复杂的多目标水下视频任务。

Methodology：SAM-U 的物理直觉

作者认为，不需要从头训练一个重型模型，而是应该“教”现有的视觉基础模型如何看懂水下世界。

1. 架构解析

SAM-U 选择了当前最强的视频分割模型 SAM2 作为骨干，并在其 Hiera 图像编码器中插入了 Underwater Domain Adaptation (UDA) 模块。

2. 核心模块：针对物理特性的补偿

• Domain Adapter (DA)：一种轻量级的瓶颈式 MLP，负责捕捉水下目标的尺度变化。
• Spectral Channel Gate (SCG)：这是本文的神来之笔。考虑到水下红、绿、蓝通道衰减不一，SCG 学习一个通道级的缩放因子（Scaling Factor），在特征层面对被削弱的光谱通道进行“补偿”，从而增强对比度。

实验与结果：小参数博取大提升

研究团队在 UW-VOS 上对 9 种主流方法进行了 Benchmark 评测。

1. 领域鸿沟的量化

实验数据表明，将陆地预训练模型直接（Zero-shot）用于水下，性能会平均下降 13 个 J&F 点。这证明了水下环境存在严重的 Domain Shift。

2. SOTA 对比

SAM-U 仅通过更新 1.5M 的参数（总量约 2%），就在几乎所有指标上超过了全参数微调（Full Fine-tuning）的 SAM2。

关键发现：在小目标 (ST) 和伪装目标 (CAM) 的消融实验中，SCG 模块的加入显著提升了约 0.7-1.1 个百分点。

深度洞察：未来的航向

UW-VOS 的出现填补了海洋探索中关键的一环。作者通过属性分析指出：伪装目标（Camouflage） 和 目标重入（Exit-re-entry） 依然是当前最难跨越的障碍。即使是 SAM-U，在处理目标完全消失后重现的场景时仍有提升空间。

总结 (Takeaway)： 这项工作的真正价值在于证明了：处理极端领域迁移任务时，物理启发的模块设计（如 SCG） 比单纯增加训练数据量更具效率。UW-VOS 不仅仅是一个 Benchmark，它为未来 AUV（自主水下航行器）的鲁棒导航和海洋生物多样性监测提供了底层数据支持。

注：UW-VOS 数据集包含 1,431 视频，409 类别，30.9 万个 Mask 标注，是目前该研究领域规模最大、属性标注最全的数据集。