SAM 和 SAM2 的结构有什么区别？SAM2 的记忆注意力怎么做视频分割？

一句话速记：SAM 基于标准 ViT 架构且主要针对静态图像；SAM 2 则采用层次化 Hiera 架构，并引入 Memory Bank、Memory Attention 与 Memory Encoder，将当前帧特征作为 Query 与历史记忆进行注意力交互，把图像与视频分割统一建模为流式时序任务。

分割、SAM

同章节的其他八股

• LLaVA 类多模态大模型的结构和训练流程？
• CLIP 是怎么训练的？
• ViT 的原理？图像 token 数怎么计算？
• 扩散模型的基本原理？DiT 是什么？
• BLIP-2 的 Q-Former 是什么？
• Qwen-VL 系列有哪些关键设计？M-RoPE 是什么？
• Flow Matching 和扩散模型有什么关系？
• Stable Diffusion 的结构？
• 视频多模态模型怎么解决超长视频的 token 膨胀？帧采样、token 压缩和高分辨率切图怎么做？