본 논문은 조직병리 이미지에서 세포핵 분할의 정확성을 높이기 위해 Segment Anything Model (SAM)을 다중 데이터셋 학습에 적용하는 새로운 방법인 Adversarial Multi-domain Alignment of Segment Anything Model (AMA-SAM)을 제안합니다. 기존 방법들이 단일 데이터셋만 사용하여 과적합 문제를 겪는 것과 달리, AMA-SAM은 다양한 데이터셋(보조 도메인)을 활용하여 과적합을 줄이고 성능을 향상시킵니다. 이를 위해 조건부 기울기 반전 레이어(CGRL)를 통해 다양한 도메인의 특징을 조화시켜 도메인 불변 표현 학습을 촉진하는 동시에 주요 데이터셋에 대한 중요한 차별적 특징을 보존하고, 고해상도 디코더(HR-Decoder)를 통해 고해상도 조직 이미지에서 복잡한 세포핵 경계를 포착하여 SAM의 낮은 해상도 출력 문제를 해결합니다. 여러 공개 데이터셋을 사용한 실험 결과, AMA-SAM은 기존 최첨단 방법보다 성능이 크게 향상됨을 보여줍니다.
