一、首先是图像caption的生成。
输入的图像，被输入进BLIP的图像编码器得到图像嵌入
，图像嵌入再经过
（BLIP Image-grounded Text Decoder）
得到图像caption。
ti表示caption的第i个单词，总共有L个单词。
但是，caption中会存在与目标对象无关的内容（floor），分散了注意力。所以我们使用spaCy库进行词性标记，提取出现在caption中的第一个名词。
二、Initial Multimodal Prompt的生成。
我们将图像嵌入
与名词
输入进BLIP Image-grounder Text Encoder
，然后它会输出一个分数S，反应输入图像与文本的匹配程度。
Across表示来自
的cross attention layer的注意力权重，反映着图像和文本的关系。
接着，通过反向传播以获得梯度Gcross，Gcross再与Aross进行element-wise（逐元素运算）。
Pinit就是Initial Multimodal Prompt。
Grad-CAM表示梯度加权类激活映射，是一种可视化技术，可视化BLIP（输入多模态数据后）的对齐过程，以生成热力图（Pinit）。
这里的平均操作是，对每个注意头下不同文本序列对图像的影响进行平均，从而得到最终的Pinit。
也就是说，哪里影响最大，图像的哪里就高亮。
上面得到Pinit后，我们发现Initial的掩码是不完整的，所以我们设计了ARM模块来优化这个不完整prompt。
因为，我们输入的文本只有一个名词，并没有额外的描述，所以最初生成的prompt只能粗略地之时对象的位置，而不能完全捕获其结构。
三、ARM
1、Adapter部分
对于每一个Adapter模块，计算过程是（Conv是二维卷积）：
对于第k个Adapter模块的输出：
等号左边是第k个Adapter模块的输出，右边的第一个Emb是从上面来的Vision Embedding（BLIP Image Encoder），第二个Emb是从下面来的嵌入（SAM Image Encoder中的第k个Transformer Layer输出的图像嵌入）。
2、SAM图像编码器的优化。
上面第k个Adapter的输出与SAM图像编码器中第k个Transformer层的输出相结合，作为第k+1个Transformer层的输入。
从左到右，第一个Emb是第k+1个Transformer层的输入，第二个Emb是第k个Adapter的输出，第三个Emb是第k个Transformer层的输出。
3、对热力图的优化。
受CLIP-ES[32]的启发，我们不重新训练另外的模型来精炼Pint，而是从
中提取注意力权重Aself，并使用最后一层Adapter的输出（吸取了所有的图像信息）来调整注意力权重。
问：为什么要从中提取？
答：我们的Pinit是通过输入和名词然后对齐得到的，所以要提取它里面的注意力权重。
然后：
其中，vec（M）是通过提取Pinit的高亮区域而产生的掩码M的矢量化。这里的第一个操作符还是Element-wise逐元素运算，第二个是矩阵乘法。
然后我们就得到了优化后的热力图，提取其中的高亮区域，得到最终的高质量掩码。
4、最后SAM Decoder的输入（共三个输入）。
（1）上一步生成的高质量掩码，经过SAM Prompt Encoder，生成密集嵌入。这是第一个输入。
（2）将SAM图像编码器中最后一个Transformer层产生的图像嵌入与ARM模块中最后一个Adapter层产生的图像嵌入相结合，得到最终的图像嵌入。这是第二个输入。
（3）我们把名词输入进Mamba得到对应的文本嵌入
，再将文本嵌入与
相结合，得到辅助稀疏嵌入。这是第三个输入。
这三个一起输入进SAM Decoder，得到最终的分割结果。
总结一下整个过程：
1、图像输入进BLIP图像编码器得到图像嵌入，
2、这个图像嵌入先经过文本解码器得到描述，
3、在描述中提取第一个名词，输入进BLIP Image-grounded Text Encoder得到文本嵌入，
4、在BLIP Image-grounded Text Encoder中进行图像嵌入和文本嵌入的对齐，得到Pinit。
5、但是Pinit是低质量的，所以我们引入了ARM模块来优化Pinit。
（1）ARM一方面用来优化SAM Image Encoder，有效地将Adapter提取的图像特征集成到SAM中（第k个Adapter的输出与第k个Transformer的输出相结合作为第k+1个Transformer的输入），
（2）ARM一方面通过调整图像嵌入里的注意力权重（最后一个Adapter的输出与初始权重Elemrnt-wise）来优化Pinit。
6、得到高质量掩码后，最后输入进SAM Decoder就好了。
7、另外还有一个辅助稀疏嵌入，将名词输入进Mamba得到文本嵌入，然后与图像嵌入级联Concat。
实验：
常用的COD数据集（4个）：CHAMELEON、CAMO、COD10K、NC4K
评估指标（4个，前三个值越高效果越好，第四个值越小效果越好）：
与其他SOTA的比较（table 1、figure 5）：
