SAM 3: Alles anhand von Konzepten segmentieren#

SAM 3 (Segmentierungsmodell für alles 3) ist Metas veröffentlichtes Basismodell für die konzeptgesteuerte Segmentierung (PCS). Aufbauend auf SAM 2 führt SAM 3 eine grundlegend neue Fähigkeit ein: Es erkennt, segmentiert und verfolgt alle Instanzen eines visuellen Konzepts, das durch Textvorgaben, Beispielbilder oder beides beschrieben wird. Anders als frühere SAM-Versionen, die pro Vorgabe einzelne Objekte segmentieren, kann SAM 3 jedes Vorkommen eines Konzepts in Bildern oder Videos finden und segmentieren. Damit unterstützt es die Ziele eines offenen Vokabulars in der modernen Instanzsegmentierung.

SAM 3 ist vollständig in das Paket ultralytics integriert und unterstützt nativ die Konzeptsegmentierung anhand von Textvorgaben, Beispielbildern und Videoverfolgung. Der neuere SAM 3.1-Checkpoint wird für Bildvorhersagen unterstützt.

Übersicht#

SAM 3 erzielt bei der konzeptgesteuerten Segmentierung eine doppelt so hohe Leistung wie bestehende Systeme und erhält zugleich die Fähigkeiten von SAM 2 zur interaktiven visuellen Segmentierung aufrecht und verbessert sie. Das Modell eignet sich hervorragend für die Segmentierung mit offenem Vokabular: Nutzer können Konzepte mit einfachen Nominalgruppen angeben (z. B. „gelber Schulbus“, „getigerte Katze“) oder Beispielbilder des Zielobjekts bereitstellen. Diese Fähigkeiten ergänzen produktionsreife Abläufe, die auf schlanke Arbeitsabläufe zum Vorhersagen und Verfolgen setzen.

Was ist konzeptgesteuerte Segmentierung (PCS)?#

Die PCS-Aufgabe nimmt eine Konzeptvorgabe entgegen und gibt Segmentierungsmasken mit eindeutigen IDs für alle passenden Objektinstanzen zurück. Als Konzeptvorgaben kommen infrage:

• Text: Einfache Nominalgruppen wie „roter Apfel“ oder „Person mit Hut“, ähnlich wie beim Zero-Shot-Lernen
• Beispielbilder: Begrenzungsboxen um Beispielobjekte (positiv oder negativ) zur schnellen Verallgemeinerung
• Kombiniert: Text und Beispielbilder gemeinsam für eine präzise Steuerung

Dies unterscheidet sich von herkömmlichen visuellen Vorgaben (Punkte, Boxen, Masken), die nur eine einzelne, bestimmte Objektinstanz segmentieren – ein Ansatz, der durch die ursprüngliche SAM-Familie bekannt wurde.

Wichtige Leistungskennzahlen#

Hintergrundinformationen zu Modellkennzahlen und Kompromissen im Produktionseinsatz findest du unter Einblicke in die Modellbewertung und YOLO-Leistungskennzahlen.

SAM 3.1#

SAM 3.1, das Meta am 27. März 2026 veröffentlicht hat, ist ein neuer SAM 3-Checkpoint, der Object Multiplex einführt – einen Ansatz für die Videoverfolgung mehrerer Objekte mit gemeinsam genutztem Speicher. Statt jedes verfolgte Objekt einzeln zu verarbeiten, gruppiert SAM 3.1 die Objekte in Buckets mit fester Kapazität und verarbeitet sie gemeinsam. Laut Meta ist das bei 128 Objekten auf einer einzelnen H100-GPU etwa 7-mal schneller. Der Bilddetektor und der interaktive Kopf für Punktvorgaben behalten die SAM 3-Architektur bei.

Ultralytics lädt den SAM 3.1-Checkpoint (sam3.1_multiplex.pt) in die SAM 3-Bildprädiktoren: SAM("sam3.1_multiplex.pt") für Punkt- und Boxvorgaben sowie SAM3SemanticPredictor für Text- und Beispielvorgaben. Die Videoverfolgung mit Object Multiplex wird noch nicht unterstützt. Verwende daher weiterhin sam3.pt mit SAM3VideoPredictor und SAM3VideoSemanticPredictor.

Architektur#

SAM 3 besteht aus einem Detektor und einem Tracker, die sich eine Bildverarbeitungs-Backbone namens Perception Encoder (PE) teilen. Dieses entkoppelte Design vermeidet Konflikte zwischen Aufgaben und ermöglicht sowohl die Erkennung auf Bildebene als auch die Verfolgung auf Videoebene. Die Schnittstelle ist mit der Python-Nutzung und der CLI-Nutzung von Ultralytics kompatibel.

Kernkomponenten#

• Detektor: DETR-basierte Architektur zur Erkennung von Konzepten auf Bildebene

  • Textencoder für Vorgaben in Form von Nominalgruppen
  • Beispielbild-Encoder für bildbasierte Vorgaben
  • Fusionsencoder, der Bildmerkmale anhand der Vorgaben konditioniert
  • Neuartiger Präsenzkopf, der Erkennung („was“) und Lokalisierung („wo“) voneinander trennt
  • Maskenkopf zur Erzeugung von Instanzsegmentierungsmasken

• Tracker: Von SAM 2 übernommene speicherbasierte Videosegmentierung

  • Vorgaben-Encoder, Maskendekodierer, Speicher-Encoder
  • Speicherbank zum Speichern des Erscheinungsbilds von Objekten über mehrere Frames hinweg
  • Zeitliche Unterscheidung mithilfe von Verfahren wie einem Kalman-Filter bei der Verfolgung mehrerer Objekte

• Präsenztoken: Ein trainiertes globales Token, das vorhersagt, ob das Zielkonzept im Bild oder Frame vorhanden ist. Dadurch wird die Erkennung verbessert, indem sie von der Lokalisierung getrennt wird.

Wichtige Innovationen#

1. Entkoppelte Erkennung und Lokalisierung: Der Presence-Head sagt das globale Vorhandensein eines Konzepts voraus, während sich Proposal-Queries ausschließlich auf die Lokalisierung konzentrieren und so widersprüchliche Ziele vermeiden.
2. Einheitliche Konzept- und visuelle Prompts: Unterstützt PCS (Konzept-Prompts) und PVS (visuelle Prompts wie Klicks/Boxen in SAM 2) in einem einzigen Modell.
3. Interaktive Verfeinerung mit Beispielen: Nutzer können positive oder negative Bildbeispiele hinzufügen, um die Ergebnisse schrittweise zu verfeinern. Das Modell verallgemeinert dabei auf ähnliche Objekte, statt nur einzelne Instanzen zu korrigieren.
4. Zeitliche Disambiguierung: Verwendet Masklet-Erkennungsscores und regelmäßige erneute Prompts, um Verdeckungen, überfüllte Szenen und Tracking-Fehler in Videos zu bewältigen und orientiert sich dabei an den Best Practices für Instanzsegmentierung und Tracking.

SA-Co-Datensatz#

SAM 3 wird mit Segment Anything with Concepts (SA-Co) trainiert, dem bisher größten und vielfältigsten Segmentierungsdatensatz von Meta, der über gängige Benchmarks wie COCO und LVIS hinausgeht.

Trainingsdaten#

Benchmarkdaten#

Der SA-Co-Evaluierungsbenchmark umfasst 214 Tsd. einzigartige Phrasen aus 126 Tsd. Bildern und Videos und bietet damit über 50-mal mehr Konzepte als bestehende Benchmarks. Er umfasst:

• SA-Co/Gold: 7 Domänen, dreifach annotiert, um die Grenzen der menschlichen Leistung zu messen
• SA-Co/Silver: 10 Domänen, jeweils einmal von Menschen annotiert
• SA-Co/Bronze und SA-Co/Bio: 9 bestehende Datensätze, angepasst für die Konzeptsegmentierung
• SA-Co/VEval: Videobenchmark mit 3 Domänen (SA-V, YT-Temporal-1B, SmartGlasses)

Innovationen bei der Datenpipeline#

Die skalierbare Datenpipeline von SAM 3 mit Menschen und Modellen im Regelkreis erreicht durch Folgendes einen 2-mal höheren Annotationsdurchsatz:

1. KI-Annotatoren: Auf Llama basierende Modelle schlagen vielfältige Nominalphrasen vor, darunter schwierige Negativbeispiele
2. KI-Prüfer: Feinabgestimmte multimodale LLMs überprüfen die Maskenqualität und Vollständigkeit nahezu auf menschlichem Leistungsniveau
3. Aktive Suche: Konzentriert den menschlichen Aufwand auf schwierige Fehlerfälle, bei denen KI an ihre Grenzen stößt
4. Ontologiegesteuert: Nutzt eine umfangreiche, in Wikidata verankerte Ontologie, um eine breite Konzeptabdeckung zu erzielen

Installation#

Installiere das Paket ultralytics oder aktualisiere es:

pip install -U ultralytics

pip uninstall clip -y
pip install git+https://github.com/ultralytics/CLIP.git

SAM 3 verwenden: Vielseitigkeit bei der Konzeptsegmentierung#

SAM 3 unterstützt Aufgaben der Prompt-basierten Konzeptsegmentierung (PCS) und der Prompt-basierten visuellen Segmentierung (PVS) über unterschiedliche Predictor-Schnittstellen:

Unterstützte Aufgaben und Modelle#

Beispiele für die Konzeptsegmentierung#

Segmentierung mit Text-Prompts#

from ultralytics.models.sam import SAM3SemanticPredictor

# Predictor mit Konfiguration initialisieren
overrides = {
    "conf": 0.25,
    "task": "segment",
    "mode": "predict",
    "model": "sam3.pt",
    "quantize": 16,  # FP16 für schnellere Inferenz verwenden
    "save": True,
}
predictor = SAM3SemanticPredictor(overrides=overrides)

# Bild einmalig für mehrere Abfragen festlegen
predictor.set_image("path/to/image.jpg")

# Mit mehreren Text-Prompts abfragen
results = predictor(text=["person", "bus", "glasses"])

# Funktioniert mit beschreibenden Phrasen
results = predictor(text=["person with red cloth", "person with blue cloth"])

# Mit einem einzelnen Konzept abfragen
results = predictor(text=["a person"])

Segmentierung mit Bildbeispielen#

from ultralytics.models.sam import SAM3SemanticPredictor

# Predictor initialisieren
overrides = {"conf": 0.25, "task": "segment", "mode": "predict", "model": "sam3.pt", "quantize": 16, "save": True}
predictor = SAM3SemanticPredictor(overrides=overrides)

# Bild festlegen
predictor.set_image("path/to/image.jpg")

# Beispiele mit Begrenzungsrahmen bereitstellen, um ähnliche Objekte zu segmentieren
results = predictor(bboxes=[[480.0, 290.0, 590.0, 650.0]])

# Mehrere Begrenzungsrahmen als Beispiele für dasselbe visuelle Konzept
results = predictor(bboxes=[[539, 599, 589, 639], [343, 267, 499, 662]])

Merkmalsbasierte Inferenz für mehr Effizienz#

import cv2

from ultralytics.models.sam import SAM3SemanticPredictor
from ultralytics.utils.plotting import Annotator, colors

# Predictors initialisieren
overrides = {"conf": 0.50, "task": "segment", "mode": "predict", "model": "sam3.pt", "verbose": False}
predictor = SAM3SemanticPredictor(overrides=overrides)
predictor2 = SAM3SemanticPredictor(overrides=overrides)

# Merkmale mit dem ersten Predictor extrahieren
source = "path/to/image.jpg"
predictor.set_image(source)
src_shape = cv2.imread(source).shape[:2]

# Zweiten Predictor einrichten und Merkmale wiederverwenden
predictor2.setup_model()

# Inferenz mit gemeinsam genutzten Merkmalen und Text-Prompt ausführen
masks, boxes = predictor2.inference_features(predictor.features, src_shape=src_shape, text=["person"])

# Inferenz mit gemeinsam genutzten Merkmalen und Begrenzungsrahmen-Prompt ausführen
masks, boxes = predictor2.inference_features(predictor.features, src_shape=src_shape, bboxes=[[439, 437, 524, 709]])

# Ergebnisse visualisieren
if masks is not None:
    masks, boxes = masks.cpu().numpy(), boxes.cpu().numpy()
    im = cv2.imread(source)
    annotator = Annotator(im, pil=False)
    annotator.masks(masks, [colors(x, True) for x in range(len(masks))])

    cv2.imshow("result", annotator.result())
    cv2.waitKey(0)

Videokonzeptsegmentierung#

Konzepte über ein Video hinweg mit Begrenzungsrahmen verfolgen#

from ultralytics.models.sam import SAM3VideoPredictor

# Video-Predictor erstellen
overrides = {"conf": 0.25, "task": "segment", "mode": "predict", "model": "sam3.pt", "quantize": 16}
predictor = SAM3VideoPredictor(overrides=overrides)

# Objekte mithilfe von Begrenzungsrahmen-Prompts verfolgen
results = predictor(source="path/to/video.mp4", bboxes=[[706.5, 442.5, 905.25, 555], [598, 635, 725, 750]], stream=True)

# Ergebnisse verarbeiten und anzeigen
for r in results:
    r.show()  # Bild mit Segmentierungsmasken anzeigen

Konzepte mit Text-Prompts verfolgen#

from ultralytics.models.sam import SAM3VideoSemanticPredictor

# Semantischen Video-Predictor initialisieren
overrides = {
    "conf": 0.25,
    "task": "segment",
    "mode": "predict",
    "imgsz": 640,
    "model": "sam3.pt",
    "quantize": 16,
    "save": True,
}
predictor = SAM3VideoSemanticPredictor(overrides=overrides)

# Konzepte mithilfe von Text-Prompts verfolgen
results = predictor(source="path/to/video.mp4", text=["person", "bicycle"], stream=True)

# Ergebnisse verarbeiten
for r in results:
    r.show()  # Bild mit verfolgten Objekten anzeigen

# Alternative: Mit Begrenzungsrahmen-Prompts verfolgen
results = predictor(
    source="path/to/video.mp4",
    bboxes=[[864, 383, 975, 620], [705, 229, 782, 402]],
    labels=[1, 1],  # Positive Bezeichnungen
    stream=True,
)

Visuelle Prompts (Kompatibilität mit SAM 2)#

SAM 3 ist vollständig abwärtskompatibel mit dem visuellen Prompting von SAM 2 für die Segmentierung einzelner Objekte:

from ultralytics import SAM

model = SAM("sam3.pt")

# Einzelpunkt-Prompt – segmentiert das Objekt an einer bestimmten Position
results = model.predict(source="path/to/image.jpg", points=[900, 370], labels=[1])
results[0].show()

# Mehrere Punkte – segmentiert ein einzelnes Objekt anhand mehrerer Punkthinweise
results = model.predict(source="path/to/image.jpg", points=[[400, 370], [900, 370]], labels=[1, 1])

# Box-Prompt – segmentiert das Objekt innerhalb einer Begrenzungsbox
results = model.predict(source="path/to/image.jpg", bboxes=[100, 150, 300, 400])
results[0].show()

Leistungsbenchmarks#

Bildsegmentierung#

SAM 3 erzielt Spitzenresultate in mehreren Benchmarks, darunter praxisnahe Datensätze wie LVIS und COCO für die Segmentierung:

Entdecke Datensatzoptionen für schnelle Experimente in Ultralytics-Datensätzen.

Leistung bei der Videosegmentierung#

SAM 3 bietet deutliche Verbesserungen gegenüber SAM 2 und bisherigen Spitzenmodellen in Videobenchmarks wie DAVIS 2017 und YouTube-VOS:

Few-Shot-Anpassung#

SAM 3 passt sich mit wenigen Beispielen besonders gut an neue Domänen an – relevant für datenzentrierte KI-Workflows:

Effektivität der interaktiven Verfeinerung#

Das exemplarbasierte Prompting auf Konzeptebene von SAM 3 konvergiert deutlich schneller als visuelles Prompting:

Genauigkeit der Objektzählung#

SAM 3 zählt genau, indem alle Instanzen segmentiert werden – eine häufige Anforderung bei der Objektzählung:

Vergleich von SAM 3, SAM 2 und YOLO#

Hier vergleichen wir die Fähigkeiten von SAM 3 mit SAM 2 und YOLO26. Informationen zur echtzeitfähigen Erkennung und Segmentierung mit offenem Vokabular anhand derselben Prompt-Arten findest du unter YOLOE:

Geschwindigkeit gemessen auf NVIDIA RTX PRO 6000 mit torch==2.9.1 und ultralytics==8.4.19.

Wichtigste Erkenntnisse:

• SAM 3: Am besten für die Konzeptsegmentierung mit offenem Vokabular geeignet, um alle Instanzen eines Konzepts anhand von Text- oder Beispiel-Prompts zu finden
• SAM 2: Am besten für die interaktive Segmentierung einzelner Objekte in Bildern und Videos mit geometrischen Prompts geeignet
• YOLO26: Am besten für echtzeitfähige, schnelle Segmentierung mit optionaler NMS-freier End-to-End-Inferenz geeignet; für den Einsatz auf GPUs, CPUs und Edge-Geräten in viele Formate exportierbar

Vergleich von SAM und YOLO#

Vergleich von SAM 3, SAM 2, SAM, MobileSAM und FastSAM mit den Ultralytics-Segmentierungsmodellen YOLO (YOLOv8, YOLO11, YOLO26) hinsichtlich Größe, Parameteranzahl und GPU-Inferenzgeschwindigkeit:

Dieser Vergleich zeigt die erheblichen Unterschiede bei Modellgrößen und Geschwindigkeiten zwischen SAM-Varianten und YOLO-Segmentierungsmodellen. SAM bietet zwar einzigartige Möglichkeiten zur automatischen Segmentierung, doch YOLO-Modelle, insbesondere YOLOv8n-seg, YOLO11n-seg und YOLO26n-seg, sind deutlich kleiner, schneller und recheneffizienter.

Die Tests wurden auf einer NVIDIA RTX PRO 6000 mit 96 GB VRAM unter Verwendung von torch==2.9.1 und ultralytics==8.4.19 durchgeführt. So kannst du den Test reproduzieren:

from ultralytics import ASSETS, SAM, YOLO, FastSAM

# SAM3, SAM2-t, SAM2-b, SAM-b und MobileSAM profilieren
for file in ["sam_b.pt", "sam2_b.pt", "sam2_t.pt", "mobile_sam.pt", "sam3.pt"]:
    model = SAM(file)
    model.info()
    model(ASSETS)

# FastSAM-s profilieren
model = FastSAM("FastSAM-s.pt")
model.info()
model(ASSETS)

# YOLO-Modelle profilieren
for file_name in ["yolov8n-seg.pt", "yolo11n-seg.pt", "yolo26n-seg.pt"]:
    model = YOLO(file_name)
    model.info()
    model(ASSETS, nms=False)  # NMS-freier YOLO26-Head; für YOLOv8/YOLO11 ohne Funktion

Evaluierungsmetriken#

SAM 3 führt neue Metriken für die PCS-Aufgabe ein, die bekannte Kennzahlen wie F1-Score, Präzision und Recall ergänzen.

Klassifikationsgesteuerter F1-Score (CGF1)#

Die zentrale Metrik, die Lokalisierung und Klassifizierung kombiniert:

CGF1 = 100 × pmF1 × IL_MCC

Dabei gilt:

• pmF1 (Positive Macro F1): Misst die Lokalisierungsqualität bei positiven Beispielen
• IL_MCC (Matthews-Korrelationskoeffizient auf Bildebene): Misst die Genauigkeit der binären Klassifizierung („Ist das Konzept vorhanden?“)

Warum diese Metriken?#

Herkömmliche AP-Metriken berücksichtigen die Kalibrierung nicht, wodurch sich Modelle in der Praxis nur schwer einsetzen lassen. Da nur Vorhersagen mit einer Konfidenz über 0,5 bewertet werden, sorgen die Metriken von SAM 3 für eine gute Kalibrierung und bilden die Nutzung in interaktiven Vorhersage- und Tracking-Schleifen nach.

Wichtige Ablationen und Erkenntnisse#

Einfluss des Presence-Heads#

Der Presence-Head entkoppelt die Erkennung von der Lokalisierung und führt so zu deutlichen Verbesserungen:

Der Presence-Head sorgt für eine CGF1-Steigerung um +5,7 (+9,9 %) und verbessert vor allem die Erkennungsfähigkeit (IL_MCC +6,5 %).

Auswirkung schwieriger Negativbeispiele#

Schwierige Negativbeispiele sind für die Erkennung mit offenem Vokabular entscheidend und verbessern IL_MCC um 54,5 % (0,44 → 0,68).

Skalierung der Trainingsdaten#

Hochwertige Annotationen von Menschen führen zu deutlichen Verbesserungen gegenüber synthetischen oder ausschließlich externen Daten. Hintergrundinformationen zu Praktiken für die Datenqualität findest du unter Datenerfassung und Annotation.

Anwendungsfälle#

Die Fähigkeit von SAM 3 zur Konzeptsegmentierung ermöglicht neue Anwendungsfälle:

• Inhaltsmoderation: Finde alle Vorkommen bestimmter Inhaltstypen in Medienbibliotheken
• E-Commerce: Segmentiere alle Produkte eines bestimmten Typs in Katalogbildern und unterstütze so die automatische Annotation
• Medizinische Bildgebung: Erkenne alle Vorkommen bestimmter Gewebetypen oder Anomalien
• Autonome Systeme: Verfolge alle Verkehrsschilder, Fußgänger oder Fahrzeuge einer bestimmten Kategorie
• Videoanalyse: Zähle und verfolge alle Personen, die bestimmte Kleidung tragen oder bestimmte Handlungen ausführen
• Datensatzannotation: Annotiere schnell alle Vorkommen seltener Objektkategorien
• Wissenschaftliche Forschung: Quantifiziere und analysiere alle Proben, die bestimmten Kriterien entsprechen

SAM 3 Agent: Erweitertes Sprachverständnis#

SAM 3 lässt sich mit multimodalen großen Sprachmodellen (MLLMs) kombinieren, um komplexe Anfragen zu bearbeiten, die Schlussfolgerungen erfordern – ähnlich wie Systeme mit offenem Vokabular wie OWLv2 und T-Rex.

Leistung bei Schlussfolgerungsaufgaben#

Beispiele für komplexe Anfragen#

SAM 3 Agent kann Anfragen bearbeiten, die Schlussfolgerungen erfordern:

• „Personen, die sich hinsetzen, aber keine Geschenkbox in den Händen halten“
• „Der Hund, der der Kamera am nächsten ist und kein Halsband trägt“
• „Rote Objekte, die größer als die Hand der Person sind“

Das MLLM schlägt SAM 3 einfache Anfragen in Form von Nominalphrasen vor, analysiert die zurückgegebenen Masken und wiederholt den Vorgang, bis es zufrieden ist.

Einschränkungen#

SAM 3 stellt zwar einen bedeutenden Fortschritt dar, hat aber gewisse Einschränkungen:

• Komplexität von Phrasen: Am besten für einfache Nominalphrasen geeignet; lange beschreibende Ausdrücke oder komplexe Schlussfolgerungen erfordern möglicherweise die Integration eines MLLM
• Umgang mit Mehrdeutigkeit: Manche Konzepte bleiben grundsätzlich mehrdeutig (z. B. „kleines Fenster“, „gemütliches Zimmer“)
• Rechenaufwand: Größer und langsamer als spezialisierte Erkennungsmodelle wie YOLO
• Umfang des Vokabulars: Auf elementare visuelle Konzepte ausgerichtet; ohne Unterstützung durch ein MLLM sind die Möglichkeiten zum kompositionalen Schlussfolgern begrenzt
• Seltene Konzepte: Die Leistung kann bei äußerst seltenen oder feingranularen Konzepten nachlassen, die in den Trainingsdaten nur unzureichend vertreten sind

Zitat#

@misc{carion2025sam3,
  title         = {SAM 3: Segment Anything with Concepts},
  author        = {Nicolas Carion and Laura Gustafson and Yuan-Ting Hu and Shoubhik Debnath and Ronghang Hu and Didac Suris and Chaitanya Ryali and Kalyan Vasudev Alwala and Haitham Khedr and Andrew Huang and Jie Lei and Tengyu Ma and Baishan Guo and Arpit Kalla and Markus Marks and Joseph Greer and Meng Wang and Peize Sun and Roman R{\"a}dle and Triantafyllos Afouras and Effrosyni Mavroudi and Katherine Xu and Tsung-Han Wu and Yu Zhou and Liliane Momeni and Rishi Hazra and Shuangrui Ding and Sagar Vaze and Francois Porcher and Feng Li and Siyuan Li and Aishwarya Kamath and Ho Kei Cheng and Piotr Doll{\'a}r and Nikhila Ravi and Kate Saenko and Pengchuan Zhang and Christoph Feichtenhofer},
  year          = {2025},
  eprint        = {2511.16719},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CV},
  url           = {https://arxiv.org/abs/2511.16719}
}

Häufig gestellte Fragen#