AAAI 2026 | DGAP 插件赋能 SAM2,3DTeethSAM 实现 3D 牙齿分割全局 – 局部特征优化 SOTA

家人们，今天挖到一篇超顶的计算机视觉+数字牙科方向的论文！来自AAAI 2026的3DTeethSAM，直接把火遍全网的SAM2模型“驯化”成了3D牙齿分割的高手。不仅精度干到了新高度，还解决了一堆行业痛点。看完我直呼太会玩了！

先抛个结论：这篇论文把二维大模型SAM2的能力玩到了三维牙科领域。在3DTeethSeg基准测试上干出了91.90%的IoU，直接刷新了3D牙齿分割的SOTA！全程不用人工手动提示，训练还贼高效。简直是数字牙科的福音。

为啥3D牙齿分割这么难？

咱先唠唠背景，数字牙科里的3D牙齿分割有多重要？不管是正畸方案设计，还是精准诊断，都得先把每颗牙齿从3D模型里精准抠出来、分清楚。但这事儿难就难在两点：

1. 每个人的牙列都不一样，拥挤、错位、形态变异太常见；
2. 高质量的标注数据少得可怜，训练模型根本不够用。

之前的方法要么直接在3D网格/点云上怼模型，高分辨率下直接歇菜。要么硬套二维模型，维度不匹配、还要手动给提示，根本没法落地。

3DTeethSAM有多牛？核心创新全在这

这篇论文最绝的地方，就是把SAM2这个二维分割大模型的能力，完美嫁接到3D牙齿分割上。还搞了4个核心创新，每一个都踩在痛点上：

创新1：三个轻量级适配器，让SAM2不用人管也能精准分割

SAM2原本得靠人工给点、框这些提示才能分割。而且不管类别、分割边界还糙。作者直接给它加了三个“小插件”，全程自动化：

• 提示嵌入生成器：不用手动标提示，自动从图像特征里生成16个牙齿的提示。还能判断哪颗牙缺了，直接标背景；
• 掩码细化器：SAM2初始分割的边界糊成一团。这个插件专门磨边界，把粗糙掩码修成精准的牙齿轮廓；
• 掩码分类器：解决SAM2不认牙齿类别的问题。精准给每颗牙贴ID，就算缺牙也不认错。

关键是这三个插件都超轻量。训练的时候只更这仨的参数，SAM2的预训练权重全冻住。又快又省资源！

创新2：可变形全局注意力插件，又快又准

作者还给SAM2的图像编码器加了个“注意力buff”——可变形全局注意力插件（DGAP）。简单说，这个插件能让模型自动把注意力聚焦在牙齿区域。动态采样特征，不仅分割精度提上去了，训练收敛还快了一大截。精度和效率直接双丰收！

创新3：多视图2D-3D流程，打通维度鸿沟

既然SAM2擅长二维，那就把3D问题转成二维来做！流程超清晰：

1. 把3D牙齿网格从多个固定视角渲染成512×512的二维图；
2. 用改造后的SAM2分割这些二维图；
3. 把二维分割结果通过投票策略还原回3D空间；
4. 最后用图割算法修修边界，搞定！

创新4：高效微调策略，不浪费SAM2的预训练能力

全程冻结SAM2的预训练权重，只训新增的轻量级模块。既用上了SAM2在海量数据里学的能力，又避免了从头训模型的成本。还不会忘事儿（灾难性遗忘），小样本也能训得贼好。

一张图看懂3DTeethSAM的完整流程

先放张核心框架图，一眼看明白整个过程：从3D网格渲染成多视角二维图，到SAM2加适配器分割。再到3D重建和后处理，每一步都环环相扣。完美解决2D-3D适配的问题。

再放张适配器细节图，看看三个插件怎么配合的：还有DGAP插件的效果对比，能明显看到注意力聚焦在牙齿上：

实验结果：全方位碾压SOTA，临床场景超鲁棒

作者在Teeth3DS这个最难的3D牙科分割数据集上做了测试。结果直接封神：

• 整体准确率95.48%、牙齿级平均IoU 91.90%、边界IoU 70.05%、Dice分数94.33%，全指标第一；
• 对比之前最好的ToothGroupNet，T-mIoU涨了1.74%，边界IoU涨了0.75%；
• 尤其是最难的智齿分割，直接从68.2%干到83.29%，涨了15个百分点！

放张定量对比表，实力肉眼可见：

更关键的是，在各种临床复杂场景下都稳得一批。牙齿拥挤、萌出不全、缺牙、牙龈复杂的情况，分割边界都贼清晰。不会出现牙龈渗漏、牙齿合并的问题。放张效果图感受下：

作者还做了消融实验，验证每个模块的作用：

• 去掉提示嵌入生成器，T-mIoU直接掉39.44%。证明自动提示比手动点提示强太多；
• 去掉DGAP，T-mIoU掉1.29%，边界IoU掉3.41%。还慢了训练速度；
• 掩码细化器和分类器也都贡献了关键精度。尤其是边界和类别判断上。 放张消融实验结果图：还有DGAP加速训练收敛的对比图，谁看谁知道多香：掩码分类器解决类别错配的效果也超直观：

总结：不止是刷榜，更是给3D分割指了新方向

这篇3DTeethSAM最有价值的地方，不只是刷新了SOTA。更重要的是提供了一个思路：把二维大模型的能力，通过轻量级适配、2D-3D转换的方式，用到复杂的3D分割任务上。

对于数字牙科来说，这个方法又快又准。不用大量标注数据，还能自动化落地。对于计算机视觉来说，这也是二维基础模型跨界解决三维问题的绝佳范例。

最后提一嘴实现细节，作者用PyTorch在RTX 4090上训的。SAM2用的Hiera-L版本，冻结预训练权重，训100个epoch，批量大小4，混合精度训练。普通人也能复现！

总之，这篇论文把SAM2玩出了新高度。既解决了实际问题，又有方法论上的创新。不管是做医疗AI还是计算机视觉，都值得好好啃一啃～

论文信息

题目：3DTeethSAM: Taming SAM2 for 3D Teeth Segmentation作者：Zhiguo Lu, Jianwen Lou, Mingjun Ma, Hairong Jin, Youyi Zheng, Kun Zhou