GFR-SAM은 참조 단서를 이용한 위장 객체 분할을 위한 3단계 훈련 없는 프레임워크입니다. In-Context Exemplar-guided Segmentation을 통해 SAM3가 이미지 간 추론을 사용하여 전체 시각적 예제를 통해 후보 마스크를 생성합니다. Region-Global Contrastive Filtering 모듈은 DINOv3 기반 프로토타입 정렬을 통해 후보를 순위화하여 배경 방해 요소를 효과적으로 억제합니다.
R2C7K 벤치마크에서 GFR-SAM은 기존 훈련 없는 방법보다 가중 F-measure ($F_β^w$)에서 8.7% 향상된 성능을 보였습니다. 이는 일반적인 기반 모델의 잠재력을 활용하여 라벨 집약적인 인식 작업의 격차를 메우는 데 도움이 됩니다.
이 연구는 SAM3의 잠재력을 활용하여 이미지 간 In-Context 프롬프팅을 가능하게 하고, 작업별 미세 조정 없이 강력하고 훈련이 없는 패러다임을 확립하는 데 중점을 둡니다.