在增材製造（AM）中，X射線計算機斷層掃描（XCT）影像的缺陷分割是一項極具挑戰性的任務，主要源於嚴重的類別不平衡以及不同掃描條件之間巨大的分佈偏移。儘管近年來像Segment Anything Model（SAM）這樣的基礎模型提供了強大的通用分割先驗，但其在自然影像上的預訓練很難直接遷移到AM XCT領域，因為該領域的缺陷表現為細微的非語義微結構異常。此外，由於巨大的領域差異和標記真實XCT資料的稀缺，將SAM適配到AM領域也受到進一步限制。
針對這些挑戰，來自美國的研究團隊提出了XCT-SAM框架，這是一種序列引數高效的自適應方法，專門用於AM XCT缺陷分割。與直接將SAM從自然影像適配到XCT資料不同，XCT-SAM採用兩階段自適應策略：首先在合金微結構資料集上微調Conv-LoRA介面卡，然後將適配後的模型遷移到XCT影像，逐步彌合領域差距。透過使用秩r=2的Conv-LoRA介面卡，該框架將卷積空間歸納偏置注入SAM的主幹網路，同時僅訓練約415萬引數，凍結了超過99%的模型引數，從而實現了引數高效的自適應。
研究團隊在分佈外CycleGAN-XCT基準和真實的NIST XCT掃描上對XCT-SAM進行了全面評估。在兩種設定下，XCT-SAM都始終優於零樣本SAM和其他領域自適應SAM基線，取得了最佳的總體IoU和Dice分數。具體來說，在CycleGAN-XCT基準上，XCT-SAM的IoU和Dice分數均顯著高於基線方法。在NIST真實掃描上，同樣表現出色。這些結果充分證明了中間領域自適應與引數高效介面卡在工業XCT缺陷分割中的有效性。
該論文已被IAPR工業檢測機器視覺研討會（MVI2）錄用，並將於ICPR 2026上展示。研究團隊已將原始碼公開在GitHub上，為相關領域的研究和應用提供了有力的工具。這項研究不僅推動了工業XCT缺陷分割技術的發展，也為引數高效域自適應方法在更廣泛的計算機視覺應用中的使用提供了新思路。