论文介绍Segment Anything Model (SAM) [13] 近期在多种计算机视觉任务中展现了出色的零样本迁移性能 [3, 9, 19, 26, 28]。然而，其高昂的计算成本在实际应用中仍令人望而却步。MobileSAM [27] 提出通过蒸馏方法将 SAM 中的重型图像编码器替换为 TinyViT [27]，从而显著降低计算需求。但受自注意力机制带来的巨大内存和计算开销影响，其在资源受限的移动设备上的部署仍面临挑战。近期，RepViT [21] 通过将 ViT 的高效架构设计融入 CNN，在移动设备上实现了最优性能与延迟的平衡。本文旨在实现移动设备上的实时任意分割，沿袭 [27] 的方法，将 SAM 中的重型图像编码器替换为 RepViT 模型，最终得到 RepViT-SAM 模型。大量实验表明，RepViT-SAM 不仅零样本迁移能力显著优于 MobileSAM [27]，推理速度还提升了近 10 倍。代码和模型已开源：https://github.com/THU-MIG/RepViT文章地址：地址改进步骤步骤1