AI学会脑补遮挡物，视觉感知迈过关键坎

当你看到半个人躲在墙后，大脑会自动补出他完整的身形——这种“脑补”能力，曾是AI视觉的天堑。过去的图像分割模型只能处理物体的可见部分，被遮挡的区域对它们来说就是“盲区”，换个没见过的场景更是直接失效。直到哈工大、腾讯AI Lab等团队推出的Amodal SAM出现：它给Meta的“分割一切”大模型装上了“透视眼”，能精准还原被遮挡物体的完整轮廓，在多个数据集上把遮挡区域的分割精度从30%左右拉到了60%以上。更关键的是，它能在完全陌生的场景里做到这一切。这背后的技术，到底是怎么让AI学会“想象”的？

给大模型装个“补全开关”：空间补全适配器

你可以把SAM的编码器想象成一个负责“看细节”的侦察兵，解码器是负责“画全貌”的画师——画师本身已经能把看见的部分画得极好，但一旦遇到遮挡，侦察兵没传回信息，画师就只能停笔。

空间补全适配器（SCA）就是给侦察兵加的“补全雷达”。它不像传统插件那样硬塞信息，而是用了一种类似“智能开关”的门控卷积机制：先把图像特征和一个粗略的目标范围框拼在一起，再分成两路处理——一路生成0到1之间的“门控权重”，另一路负责转换特征。被遮挡的区域权重接近1，模块就重点补全这里的特征；可见区域权重接近0，就保留原始信息。

但真实的机制比这更精确：研究者把SCA分别插在SAM编码器的浅、中、深三层，浅层补边缘细节，中层补纹理特征，深层补全局结构，形成一个分层的“脑补链”。消融实验显示，如果把SCA换成普通插件，或者同时改动解码器，遮挡区域的分割精度会直接下降20%以上——这证明了“只改侦察兵，不动画师”的策略，既保留了SAM原有的能力，又精准补上了它的短板。

用AI造AI的训练题：目标感知遮挡合成

光有雷达还不够，侦察兵得先见过足够多的遮挡场景，才能学会补全。但人工标注被遮挡物体的完整轮廓，成本是普通图像标注的3倍以上，现有数据集的规模根本喂不饱大模型。

研究者想出的办法是“用AI造题”——目标感知遮挡合成（TAOS）就像一个自动出题的老师，能把SAM训练用的SA-1B数据集（1100万张图，11亿个分割标注）直接转换成带遮挡的训练样本。它的流程简单又高效：先随机选一个目标物体，再从另一张图里切个大小匹配的物体当遮挡物，盖在目标上后用高斯模糊处理接缝，让遮挡看起来更自然。最后用视觉语言模型筛选掉那些明显不合理的合成图，比如把飞机盖在茶杯上这种违背常识的组合。

这套流程能自动生成海量多样化的遮挡场景，从简单的部分遮挡到复杂的多层叠加都能覆盖。实验显示，只用合成数据训练的模型，在真实场景中的表现已经接近用真实标注数据训练的模型；如果把合成数据和真实数据混合，遮挡区域的分割精度还能再提10%。

让AI补得“合理”：从像素到逻辑的优化

就算能补全特征，AI也可能补出违背常识的形状——比如把被墙挡住的人补成飘在空中的半截身体。为了避免这种情况，研究者给模型加了两道“逻辑枷锁”。

第一道是区域一致性损失：它要求模型对同一个物体的可见部分和被遮挡部分，提取的特征必须相似。就像一个人的胳膊和被挡住的腿，肤色、纹理得保持一致，不能把腿补成另一种颜色。第二道是整体拓扑正则化：他们引入了一个判别器，专门判断模型补出的轮廓是不是“合理的形状”——如果补出的人形有三条腿，判别器就会打低分，逼着模型调整。

消融实验验证了这两道枷锁的必要性：去掉任何一个，遮挡区域的分割精度都会下降5%以上。更重要的是，这些优化没有破坏SAM原有的“零样本”能力——Amodal SAM在完全没见过的物体和场景里，依然能准确补全遮挡区域，而传统模型在这种情况下的精度会直接跌到个位数。

当然，Amodal SAM也有局限：它的合成数据和真实场景还有差距，遇到极端复杂的多层遮挡时，补全的精度会明显下降；而且它的计算量比原始SAM大，暂时还没法在边缘设备上实时运行。

从只能“看见”到学会“想象”，Amodal SAM的突破，本质上是让AI从“识别像素”走向了“理解逻辑”。它没有从零开始造一个新模型，而是在现有大模型的基础上，用精准的插件、高效的数据和合理的优化，补上了人类视觉最基础的能力之一。

这也给AI研究提了个醒：与其盲目追求更大的模型，不如盯着人类的基本能力，给大模型做“精准的加法”。AI的进化，从来不是从零创造，而是补全缺失的拼图。未来，当AI能像人类一样，通过碎片信息还原完整的世界，自动驾驶、机器人抓取、增强现实这些领域，才能真正走进我们的生活。