ENEAS：为视频与3D重建引入文本提示的实例跟踪与语义分割统一方法
SperidLabs团队提出ENEAS，扩展SeC架构并加入语义验证层，解决SAM 3等模型在目标消失、极端特写和视觉相似物上的错误，支持文本查询实现精确跟踪与开放概念发现。
AI解读：文本提示的分割模型尽管能力很强，但实际用于视频跟踪或 3D重建时有个致命问题：它们不判断目标是否真的消失了，一旦出现视觉相似的雕塑、画作或倒影就误当成目标，而且在极端特写时只会分割局部纹理。SperidLabs提出的ENEAS把过去只能处理点交互的SeC架构加上文本提示适配器，靠时间记忆让目标在离开画面或被完全填满时仍被正确保持；同时增加一个语义验证层，先用高速视觉嵌入匹配快速筛选，只对模糊候选调用VLM做语义推理，既过滤了视觉相似物又控制延迟。对靠视频或无序图像集做 3D重建的开发者来说，单个误分类干扰物就足以污染资产，ENEAS这种能区分"看起来像但实际不是"的能力，直接影响重建质量与人工返工成本。但论文目前只展示了方法与架构，尚无与效果相关的量化对比或运行速度数据，能否落地取决于代码库与后续评测。
SperidLabs团队在arXiv发布ENEAS，一种支持文本提示的统一方法，可同时处理实例跟踪与开放概念语义发现，面向 3D重建等应用场景，论文共计 19 页、5 张图、6 张表格，代码与模型已公开。
ENEAS针对现有文本提示分割模型的三个缺陷：时间幻觉（目标离开视野后不报告缺失）、空间碎片化（极端特写时分割局部纹理而非完整目标）、语义误分类（优先视觉特征，将雕像、绘画或倒影等视觉相似物误判为目标）。
两种工作模式与训练基线
ENEAS从单一方法支持两种用法：精确跟踪并高质量分割单个实例，以及开放概念地发现文本查询所命名的所有实例——后者由语义验证层解析。
跟踪方面，ENEAS扩展了此前仅支持点交互的几何鲁棒SeC架构，加入文本提示适配器，并利用其时间记忆，使目标在消失时不漂移到干扰物，即使充满整个视野也能保持完整。
发现方面，验证层将高速视觉嵌入匹配与条件式VLM细化相结合，只对模糊候选调用语义推理，从而过滤纯视觉模型无法区分的本体论错误，同时保持低延迟。
论文称设计时以 3D重建为出发点——单个误分类干扰物会破坏资产——但摘要未提供任何效果对比数据或性能评测，以上为作者在摘要中的陈述。