现代视觉人工智能系统在识别新物体时面临一个关键挑战：它们无法理解“新”的含义。传统方法要求针对每个新物体类别重新训练模型，这一过程不仅耗时耗力，还需要大量数据存储，且无法即时投入使用。在医疗或工业场景中，当需要快速识别罕见结构或新型零件时，这种机制显得尤为低效。
针对这一难题，CamCom Technologies团队提出名为REBASE的创新框架，全称“Reference-Background Subspace Elimination”，即参考图背景子空间消除。该框架的核心突破在于仅需一张标注参考图，即可在全新图像中定位同类目标，无需重新训练模型或更新参数。其独特之处在于解决了长期被忽视的“背景污染”问题——传统模型易将背景特征误认为目标特征，导致识别偏差。
以医学图像为例，胸部X光片的背景结构高度相似，皮肤镜图像的纹理特征也几乎一致。这些共性特征会系统性抬高非目标区域的相似度，使AI产生系统性误判。现有主流方法如PerSAM、Matcher等均受限于这一短板，其性能上限取决于相似度图的质量，而污染的相似度图会直接导致后续操作失效。
REBASE的设计理念源于音频处理中的降噪技术：录音师会先录制环境底噪，再通过软件消除录音中的噪音成分。该框架采用类似逻辑，首先从参考图背景中提取“背景噪音指纹”，随后在参考图和查询图的特征中同步消除这一干扰。具体流程中，团队使用DINOv2预训练模型提取图像特征，通过奇异值分解识别背景特征的主方向，构建“背景子空间基底”，并设计投影算子清除平行于该基底的特征分量。
这一过程的关键创新在于动态适应性。背景子空间基于当前参考图实时生成，而非依赖预设模板。若参考图背景为草地，则消除草地方向特征；若为医疗设备，则消除设备方向干扰。研究团队还提出自适应方案确定保留的主方向数量：基底秩与背景图像块数量成正比，比例系数为0.005。实验表明，该参数在多个数据集上表现稳健，性能波动不超过0.7个百分点。
在消除背景干扰后，系统生成更精准的相似度图：通过加权平均参考图前景特征得到原型，再计算查询图各区域与原型的余弦相似度。为驱动SAM分割模型，研究团队开发“相似度加权最远点采样”策略，兼顾相似度高低与空间分布均匀性，选取8个提示点。团队还利用SAM的掩码提示接口，将清洁后的相似度图作为稠密先验输入，进一步提升分割精度。
实验评估覆盖自然图像、精细部件和医学图像三大场景，涉及FSS-1000、PASCAL-Part、ISIC 2018等五个基准数据集。结果显示，REBASE在医学图像领域表现尤为突出：在皮肤病变数据集上达到63.8%的mIoU，较此前最优方法提升9.4个百分点；在胸部X光数据集上达到86.3%的mIoU，接近需完整训练的模型水平。在通用自然图像数据集FSS-1000上，其性能超越需训练的SegGPT和SegIC方法。
消融实验验证了各模块的独立贡献：从基础单点提示升级为SW-FPS多点采样，在PACO-Part数据集上提升3.69个百分点；加入稠密掩码先验后，再提升1.64个百分点；最终引入背景子空间消除，额外提升4.41个百分点。模块间存在显著协同效应，共同推动性能提升。
兼容性测试表明，REBASE可适配不同模型组件。当特征提取器从DINOv2升级为DINOv3时，其在六个数据集上仍保持正向提升；替换SAM版本时，对SAM 2的适应性优于SAM 3，后者因设计侧重自然语言提示导致性能下降。研究揭示REBASE与INSID3的位置去偏方法具有互补性：在医学图像场景中叠加使用两种方法，可进一步提升1.66个百分点。
在计算效率方面，REBASE在单张NVIDIA A100 GPU上处理一对图像需281毫秒，其中奇异值分解和特征投影占30%耗时。对于无需训练、可处理任意新类别的系统而言，这一推理时间达到工业应用标准。该框架通过“忽略共有背景干扰”的朴素思路，显著提升了跨图像语义匹配质量，为快速部署AI视觉能力至新领域提供了可行技术路径。
