针对上述问题2：除了提出的RSPrompter，还引入了另外三种基于SAM的实例分割方法进行对比分析，以探索SAM性能改进方向。其中，前两种方法为论文提出，具有简单实现的SAM - det已经在社区内引起了相当大的关注和应用。

• （a）SAM-seg：冻结SAM Image Encoder，使用多尺度增强器获取多尺度特征，然后输入到其他网络的实例分割头，即Mask RCNN或Mask2Former的mask decoder。
• （b）SAM-cls：在图像上均匀分布点，并将每个点作为实例的提示输入，将提示输入到SAM以获得图像中所有潜在的实例目标。在获得所有实例的掩码后，再使用分类器为每个掩码分配标签。
• （c）SAM-det：首先，训练一个目标检测器，以精确定位图像中的期望目标。随后，将检测到的边界框作为提示输入到SAM中。
• （d）SAM-RSPromopt：和SAM-det的理念是比较相似的，区别在于直接生成提示嵌入，而非提示本身。