AuralSAM2: Обеспечение слуховых возможностей SAM2 через пирамидальное аудиовизуальное подсказывание признаков

Аннотация

Segment Anything Model 2 (SAM2) демонстрирует высокую обобщающую способность для сегментации по подсказкам в видеоклипах; однако его интеграция с аудиомодальностью остается малоизученной. Существующие подходы либо преобразуют аудио в визуальные подсказки (например, прямоугольники) с помощью фундаментальных моделей, либо внедряют адаптеры в кодировщик изображений для аудиовизуального слияния. Однако оба направления оказываются неэффективными в сценариях с участием человека из-за ограниченной точности подсказок и увеличенных вычислительных издержек при инференсе. В частности, эти методы на основе адаптеров часто страдают от разбавления аудиоподсказок, когда сигнал постепенно ослабевает по мере распространения через сеть. В данной работе мы предлагаем AuralSAM2, который интегрирует аудио в SAM2, в значительной степени сохраняя его способность к сегментации по подсказкам. Его основной модуль, AuralFuser, объединяет аудио- и визуальные признаки для генерации разреженных и плотных подсказок. Руководствуясь аудио и опираясь на пирамиду признаков SAM2, эти подсказки распространяют слуховые сигналы по визуальным слоям, усиливая кросс-модальное влияние. Для дальнейшего выравнивания модальностей мы вводим аудио-управляемую контрастную потерю, которая подчеркивает аудиорелевантность в доминирующих визуальных признаках. Наш метод достигает заметного повышения точности на общедоступных эталонных наборах данных, оказывая лишь минимальное влияние на интерактивную эффективность сегментации по подсказкам. Наш код доступен по адресу https://github.com/yyliu01/AuralSAM2.

English

Segment Anything Model 2 (SAM2) exhibits strong generalisation for promptable segmentation in video clips; however, its integration with the audio modality remains underexplored. Existing approaches either convert audio into visual prompts (e.g., boxes) via foundation models, or inject adapters into the image encoder for audio-visual fusion. Yet both directions fall short in human-in-the-loop scenarios due to limited prompt accuracy and increased inference overhead. In particular, these adapter-based methods often suffer from audio prompt dilution, where the signal gradually weakens as it propagates through the network. In this work, we propose AuralSAM2, which integrates audio into SAM2 while largely preserving its promptable segmentation capability. Its core module, AuralFuser, fuses audio and visual features to generate sparse and dense prompts. Guided by audio and built upon SAM2's feature pyramid, these prompts propagate auditory cues across visual layers, reinforcing cross-modal influence. To further align modalities, we introduce an audio-guided contrastive loss that emphasises auditory relevance in dominant visual features. Our method achieves notable accuracy gains on public benchmarks with only minimal impact on the interactive efficiency of promptable segmentation. Our code is available at https://github.com/yyliu01/AuralSAM2.