본 논문은 Segment Anything Model (SAM)의 정확도 향상을 목표로, 매우 정확한 객체 분할(dichotomous image segmentation, DIS)을 위한 DIS-SAM 프레임워크를 제안합니다. SAM은 뛰어난 성능을 보이지만 객체 경계선의 정확도가 떨어지는 한계를 가지고 있는데, DIS-SAM은 SAM의 프롬프트 기반 설계를 유지하면서, 기존의 prompt-free DIS 작업에 사용된 고급 네트워크를 수정하여 통합하는 2단계 접근 방식을 통해 이 문제를 해결합니다. 또한, 기존 마스크 어노테이션을 수정하여 정답 데이터를 보강하는 전략을 사용하여 DIS-SAM의 학습을 개선합니다.
