DC-SAM: In-Context Segment Anything in Images and Videos via Dual Consistency

개발자라면 누구나 한 번쯤은 상상해 봤을 겁니다.
"딱 한 장의 예시 이미지만 주면, 그와 비슷한 객체를 다른 이미지나 비디오에서도 자동으로 찾아서 잘라낼 수 있다면 얼마나 편리할까?"
 

DC-SAM은 바로 그 상상을 연구 수준에서 현실로 끌어내린 프로젝트입니다. 기존의 Segment Anything Model(SAM) 기반 접근법들이 대부분 인터랙티브 세그멘테이션(즉, 사용자가 직접 클릭 등으로 객체를 지정)에 초점을 맞춘 것과는 달리, DC-SAM은 ‘인컨텍스트 세그멘테이션’—즉, 한두 개의 예시만 보고도 다양한 이미지/비디오에서 같은 종류의 객체를 알아서 찾아 분할하는 것을 지향합니다.

이 논문이 흥미로운 이유는 단순히 "마스크 분할 성능이 더 좋아졌다" 수준을 넘어서, 듀얼 컨시스턴시(Dual Consistency) 기반 프롬프트 튜닝 안에서 사용자의 ‘한 번의 예시만으로 다양한 상황에 대응’에 반응할 수 있도록 설계되었다는 점입니다. 예를 들어, 고양이 한 마리만 지정해주면, 다른 사진이나 영상에서 비슷한 고양이들을 자동으로 찾아내는 식이죠. 이제 진짜로 ‘AI가 맥락을 읽고 알아서 객체를 찾아주는 시대’가 나타난 거죠.

✅ 어떻게 작동하나요? – DC-SAM의 핵심 아이디어

DC-SAM이 도입한 가장 눈에 띄는 개념은 바로 "듀얼 컨시스턴시(Dual Consistency)"입니다. 이는 프롬프트 생성 과정에서 ‘양성(positive) 프롬프트’와 ‘음성(negative) 프롬프트’를 동시에 활용하고, 이 두 프롬프트가 서로 일관성(consistency)을 유지하도록 학습시켜, 더 정확하고 일반화된 객체 분할을 가능하게 합니다.
 

이러한 듀얼 컨시스턴시는 실제로 프롬프트 인코더와 마스크 디코더의 피처 융합, 그리고 사이클 컨시스턴트 크로스 어텐션으로 구현되며, 이를 통해 다양한 상황에서도 일관성 있게 객체를 찾아낼 수 있는 것이 DC-SAM의 강점입니다.

이 모델은 총 4단계의 프롬프트 기반 세그멘테이션 과정을 거쳐 만들어졌습니다:

• 1. 프롬프트 피처 융합 – SAM의 프롬프트 인코더와 백본에서 추출한 피처를 융합하여, 더 풍부한 시각적 프롬프트를 생성합니다.
• 2. 사이클 컨시스턴트 크로스 어텐션 – 융합된 피처와 초기 프롬프트 간에 크로스 어텐션을 적용, coarse mask와의 일관성을 유지합니다.
• 3. 듀얼 브랜치 설계 – 양성(positive)과 음성(negative) 프롬프트를 각각 분리하여, 두 가지 관점에서 객체를 구분합니다.
• 4. 마스크 튜브 학습 전략 – 이미지뿐 아니라 비디오에서도 일관성 있게 동작하도록, 마스크 튜브 기반의 학습 전략을 적용합니다.

✅ 주요 기술적 특징과 혁신점

DC-SAM의 핵심 기술적 특징은 크게 세 가지 측면에서 살펴볼 수 있습니다.

1. 프롬프트 피처 융합(Prompt Feature Fusion)
이는 SAM의 프롬프트 인코더와 백본 네트워크에서 추출한 피처를 결합하여, 더 정교한 시각적 프롬프트를 생성하는 방식입니다. 기존의 단일 백본 피처 사용 방식과 달리, SAM 특유의 시맨틱 정보와 프롬프트 정보를 함께 활용함으로써, 객체 분할의 정확도와 일반화 성능이 크게 향상되었습니다. 특히, 지원(support) 이미지에서 마스크 프라이어를 추출할 때 SAM 피처를 함께 활용하여, 프롬프트 인코더의 정렬력을 높였습니다.

2. 사이클 컨시스턴트 크로스 어텐션(Cycle-Consistent Cross-Attention)
이 특징의 핵심은 융합된 피처와 초기 프롬프트 간의 상호작용을 반복적으로(사이클) 적용하여, 프롬프트와 마스크가 서로 일관성을 유지하도록 하는 데 있습니다. 이를 위해 coarse mask(대략적인 마스크)를 활용하여, 피처와 프롬프트 간의 일치도를 높이고, 결과적으로 더 견고한 세그멘테이션을 달성합니다. 실제로 크로스 어텐션 메커니즘을 통해, 프롬프트와 피처가 서로 보완적으로 작동함을 입증했습니다.

3. 듀얼 브랜치(양성/음성 프롬프트) 설계
마지막으로 주목할 만한 점은 양성(positive)과 음성(negative) 프롬프트를 동시에 활용하는 듀얼 브랜치 구조입니다. 즉, ‘이게 맞다’와 ‘이건 아니다’라는 두 가지 신호를 모두 학습함으로써, 특히 복잡하거나 배경이 유사한 상황에서 객체 분할의 정확도가 높아집니다. 실제로 양성/음성 프롬프트를 분리하여 인코딩함으로써, 더 명확한 경계와 일반화 성능을 제공합니다.

✅ 실험 결과와 성능 분석

DC-SAM의 성능은 다음과 같은 실험을 통해 검증되었습니다.

1. COCO-20i mIoU 평가
COCO-20i 벤치마크에서 진행된 평가에서 55.5 (+1.4) mIoU를 달성했습니다. 이는 기존 SAM 기반 및 few-shot segmentation 모델 대비 의미 있는 성능 향상입니다. 특히, 다양한 객체와 복잡한 배경에서도 안정적인 분할 결과를 보였습니다.

2. PASCAL-5i mIoU 평가
PASCAL-5i 데이터셋에서는 73.0 (+1.1) mIoU를 기록했습니다. 기존 접근 방식들과 비교해도 일관성 있는 성능 우위를 보였으며, 특히 소수의 예시만으로도 높은 분할 정확도를 유지했습니다.

3. IC-VOS(비디오 인컨텍스트 세그멘테이션) 벤치마크
실제 비디오 환경에서 진행된 IC-VOS 벤치마크에서는 𝒥&ℱ = 71.52라는 결과를 얻었습니다. 이는 비디오 객체 분할에서의 실용적 가능성을 보여주며, 실제 영상 편집이나 자동 태깅 등 다양한 응용에 적합함을 입증했습니다.

이러한 실험 결과들은 DC-SAM이 인컨텍스트 세그멘테이션이라는 주요 과제를 효과적으로 해결할 수 있음을 보여줍니다. 특히 적은 예시만으로도 다양한 도메인에 일반화되는 성과는 향후 비디오/이미지 편집, 자동화된 데이터 라벨링 등에서 중요한 시사점을 제공합니다.

✅ 성능은 어떨까요?

DC-SAM은 COCO-20i와 PASCAL-5i라는 첨단 벤치마크에서 각각 55.5, 73.0이라는 점수를 기록했습니다. 이는 SegGPT 및 기존 SAM 기반 모델 수준의 성능입니다.

실제로 비디오 객체 분할, 이미지 내 유사 객체 자동 탐지와 같은 실제 사용 시나리오에서, 특히 한두 개의 예시만으로도 다양한 상황에 대응하는 데 꽤 자연스러운 반응을 보입니다.
물론 아직 "복잡한 배경이나 매우 드문 객체" 영역에서는 약간의 미흡함이 존재하긴 하지만, 현재 수준만으로도 다양한 서비스에 활용 가능성이 큽니다.

✅ 어디에 쓸 수 있을까요?

DC-SAM은 단지 새로운 모델이 아니라, "프롬프트 기반 인컨텍스트 세그멘테이션의 실질적 확장"이라는 흥미로운 방향성을 제시합니다.
앞으로는 더 많은 비디오 내 시계열 객체 추적, 예를 들면 실시간 영상 편집, 의료 영상 내 병변 자동 탐지까지 인식하게 될 가능성이 큽니다.

• 비디오 편집/콘텐츠 제작: 예시 프레임 하나만으로 비디오 전체에서 특정 객체를 자동 추출 및 편집할 수 있습니다.
• 의료 영상 분석: 한 장의 병변 예시만으로, 다양한 환자의 영상에서 유사 병변을 자동 탐지 및 분할할 수 있습니다.
• 자동 데이터 라벨링: 소수의 예시만으로 대규모 이미지/비디오 데이터셋의 객체 라벨링을 자동화할 수 있습니다.

이러한 미래가 DC-SAM으로 인해 조금 더 가까워졌습니다.

✅ 개발자가 지금 할 수 있는 일은?

DC-SAM에 입문하려면, 기본적인 딥러닝/파이토치와 세그멘테이션/프롬프트 튜닝에 대한 이해가 필요합니다.
다행히도 공식 깃허브에 예제 코드가 잘 정리되어 있어, 실제 데이터셋을 받아 직접 실험해보며 구조와 튜닝 방법을 익힐 수 있습니다.

실무에 적용하고 싶다면?
지원/쿼리 이미지-마스크 페어와 같은 적절한 데이터를 확보하고, 다양한 도메인(예: 의료, 영상, 일반 이미지)을 테스트하면서 모델을 프롬프트 튜닝 및 파인튜닝하는 것이 핵심입니다. 또한, 실제 업무에 맞는 프롬프트 설계와 후처리도 병행되어야 합니다.

✅ 마치며

DC-SAM은 단순한 기술적 진보를 넘어, ‘프롬프트 기반 인컨텍스트 세그멘테이션’이라는 새로운 패러다임을 향한 중요한 이정표입니다. 이 기술이 제시하는 가능성은 비주얼 AI 산업, 자동화, 데이터 라벨링 생태계의 미래를 재정의할 잠재력을 가지고 있습니다.

우리는 지금 AI 비전 기술 발전의 중요한 변곡점에 서 있으며, DC-SAM은 그 여정의 핵심 동력이 될 것입니다. 당신이 이 혁신적인 기술을 활용하여 미래를 선도하는 개발자가 되어보는 건 어떨까요?

▶ 논문 원문 보러가기

✅ 같이 보면 좋은 참고 자료들

RSFR: A Coarse-to-Fine Reconstruction Framework for Diffusion Tensor Cardiac MRI with Semantic-Aware Refinement
- 논문 설명: 심장 확산 텐서 이미징(DTI)은 심근세포 배열에 대한 독특한 통찰력을 제공하며, 미세적 심장 기능과 거시적 심장 기능 간의 간극을 연결합니다.
- 저자: Jiahao Huang, Fanwen Wang, Pedro F. Ferreira, Haosen Zhang, Yinzhe Wu, Zhifan Gao, Lei Zhu, Angelica I. Aviles-Rivero, Carola-Bibiane Schonlieb, Andrew D. Scott, Zohya Khalique, Maria Dwornik, Ramyah Rajakulasingam, Ranil De Silva, Dudley J. Pennell, Guang Yang, Sonia Nielles-Vallespin
- 발행일: 2025-04-25
- PDF: 링크

Quantum induced shock dynamics in gravitational collapse: insights from effective models and numerical frameworks
- 논문 설명: 우리는 루프 양자 중력(LQG)에서 영감을 받은 효과적인 프레임워크 내에서 구형 대칭 중력 붕괴의 충격파 형성과 진화를 탐구합니다.
- 저자: Hongguang Liu, Dongxue Qu
- 발행일: 2025-04-25
- PDF: 링크

Iterative Event-based Motion Segmentation by Variational Contrast Maximization
- 논문 설명: 이벤트 카메라는 장면의 변화에 반응하기 때문에 모션 추정에 적합한 풍부한 신호를 제공합니다.
- 저자: Ryo Yamaki, Shintaro Shiba, Guillermo Gallego, Yoshimitsu Aoki
- 발행일: 2025-04-25
- PDF: 링크