本文经ai新媒体量子位（公众号id:qbitai）授权转载，转载请联系出处。
现在ai圈确实到了拼手速的时候啊。
这不，meta的sam刚刚推出几天，就有国内程序猿来了波buff叠加，把目标检测、分割、生成几大视觉ai功能all in one！
比如基于stable diffusion和sam，就能让照片中的椅子无缝换成沙发：
换装、换发色也是so easy：
项目一经发布就让不少人惊呼：手速也太快了吧！
还有人表示：我和新垣结衣的新结婚照有了。
如上就是gounded-sam带来的效果，项目在github上已揽星1.8k。
简单来说，这就是一个zero-shot视觉应用，只需要输入图片，就能自动化检测和分割图像。
该研究来自idea研究院（粤港澳大湾区数字经济研究院），创始人兼理事长为沈向洋。
无需额外训练grounded sam主要由grounding dino和sam两个模型组成。
其中sam（segment anything）是4天前meta刚刚推出的零样本分割模型。
它可以为图像/视频中的任何物体生成mask，包括训练过程中没出现过的物体和图像。
通过让sam对于任何提示都返回有效的mask， 能够让模型在即使提示是模糊的或者指向多个对象的情况下，输出也应该是所有可能中一个合理的mask。这一任务用于预训练模型并通过提示解决一般的下游分割任务。
模型框架主要由一个图像编码器、一个提示编码器和一个快速mask解码器组成。在计算图像嵌入后，sam能够在50毫秒内根据web中的任何提示生成一个分割。
grounding dino是该研究团队已有的成果。
这是一个零样本检测模型，能够生成带有文字描述的物体box和标签。
二者结合后，可以通过文本描述找到图片中的任意物体，然后通过sam强大的分割能力，细粒度地分割出mask.
在这些能力之上，他们还叠加了stable diffusion的能力，也就是开头所展示的可控图像生成。
值得一提的是，stable diffusion此前也能够实现类似功能。只要涂抹掉想替换的图像元素，再输入文本提示就可以。
这一回，grounded sam能够省去手动选区这个步骤，直接通过文本描述来控制。
另外结合blip（bootstrapping language-image pre-training），生成图片标题、提取标签，再生成物体box和mask。
目前，还有更多有趣的功能正在开发中。
比如人物方面的一些拓展：更换衣服、发色、肤色等。
具体食用方法也已在github上给出。项目需要python 3.8以上版本，pytorch 1.7以上版本，torchvision 0.8以上版本，并要安装相关依赖项。具体内容可看github项目页。
该研究团队来自idea研究院（粤港澳大湾区数字经济研究院）。
公开消息显示，该研究院是一所面向人工智能、数字经济产业及前沿科技的国际化创新型研究机构，前微软亚研院首席科学家、前微软全球智行副总裁沈向洋博士担任创始人及理事长。
one more thing对于grounded sam的未来工作，团队有几点展望：
自动生成图像构成新数据集具有分割预训练的强大基础模型和（chat-）gpt合作构成一个自动生成图像标签、box和mask的pipeline，并能生成新的图像。值得一提的是，该项目的团队成员中，有不少都是知乎ai领域活跃的答主，这次也在知乎上自答了关于grounded sam的内容，感兴趣的童鞋可以去留言请教~
以上就是视觉ai能力大一统！自动化图像检测分割，还能可控文生图，华人团队出品的详细内容。