SAM-Fiber：视觉大模型“解构”复杂纳米纤维网络

项目背景：纳米纤维分析的“老大难”问题

在先进材料科学中，静电纺纳米纤维的微观形态——如纤维直径、朝向和孔隙率——直接决定了其宏观性能。然而，精确分析这些形态特征却异常困难。传统的手动或半自动方法（如ImageJ插件）不仅效率低下、结果主观，而且在面对密集、重叠的纤维网络时常常力不从心。虽然标准的深度学习模型（如U-Net）提升了客观性，但它们通常需要大量像素级的手动标注数据，成本高昂且难以处理精细纤维的细节。

技术方案：SAM-Fiber，一个为纤维分析而生的智能框架

为攻克以上难题，本项目设计并实现了 SAM-Fiber (Segment Anything Model for Fiber) 框架。它并非简单地应用通用模型，而是通过一系列创新，将强大的视觉基础模型（SAM2）“改造”成一个专业的纤维分析工具。

该框架主要包含三大创新点：

1. 细节增强预处理：在分割之前，通过 CLAHE 算法增强局部对比度，并利用一个微调过的 Real-ESRGAN 模型进行超分辨率处理，让原本模糊不清的精细纤维变得清晰可见，为后续精准分割打下基础。
2. 创新的骨架自提示模块 (SPGen-S)：直接应用SAM/SAM2模型面临的核心挑战是如何为密集、线性的纤维网络提供有效提示。为此，项目独创了 SPGen-S 模块。该模块能自动从预处理后的图像中提取纤维的“骨架”，并在骨架上生成稀疏的点状提示（Point Prompts），以极高的效率“指导”SAM2模型应该在哪里进行分割。
3. 高效的模型微调策略：为节约计算资源并避免过拟合，项目仅对 SAM2 模型的“掩码解码器（Mask Decoder）”进行微调，冻结其强大的图像编码器。这一策略使得模型能够快速学会如何理解骨架提示，并将其转化为精确的纤维掩码。

成果与讨论

SAM-Fiber在真实的静电纺丝显微图像上取得了卓越的分割性能。

• 在量化指标上，SAM-Fiber 的mDice 达到 0.87，mIoU 达到 0.81，显著优于传统的ImageJ方法以及标准的U-Net和改编的UN-SAM模型。
• 更重要的是，高质量的分割结果可以直接转化为精确的形态学参数分析。

总结而言，SAM-Fiber项目成功地将一个通用的视觉基础模型，通过领域知识的巧妙注入（如骨架自提示）和一系列工程优化，适配并解决了一个具体且棘手的科学图像分析问题。它为纳米纤维的自动化、高通量和高精度表征提供了一个强大的新工具。