为解决现有方法中提示类型单一及性能受限的问题，本文提出了COMPrompter，一个面向伪装目标检测（COD）的多提示网络。COMPrompter通过调整SAM结构，结合原始框提示与边界提示，实现更精准的分割。边界提示由边缘梯度提取模块（EGEM）提取边缘与梯度信息，而框-边界互引导模块（BBMG）加强了框与边界的连接。此外，引入离散小波变换（DWT）捕捉图像细节信息。实验结果证明，COMPrompter在多个基准数据集上优于现有SOTA方法。
本文的创新点如下：
(1) 提出了一种多提示策略，即将SAM的原框提示和新边界提示结合起来作为COMPrompter的用户提示。
(2) 提出了两种高效的设计：EGEM和BBMG。EGEM从图像和GT中获得边界的梯度掩码。在BBMG，框提示和边界提示共同指导、相互补充以获得准确提示。
(3) 验证了COMPrompter在COD和息肉分割基准数据集上的性能，COMPrompter优于现有的SOTA方法。
本文在四个广泛认可的伪装目标检测（COD）数据集上进行了实验，包括CAMO、CHAMELEON、COD10和 NC4K，以验证COMPrompter在COD任务中的效果。此外，为了更深入地评估模型性能，我们将COMPrompter应用于更具针对性的息肉分割任务，并在五个公开基准数据集上进行了测试，包括ETIS-Larib、CVC-ClinicDB、CVC-ColonDB、CVC-300和 Kvasir-SEG。
实验结果表明，COMPrompter在COD和息肉分割任务中均表现出色，进一步验证了其在不同场景下的有效性与适应性。
