在本文中，我们探讨了一种主要方法，以提升广泛存在的粗略掩码的质量，使其能够作为可靠的训练数据，供分割模型使用，从而减少标注成本。与先前专门针对特定模型或任务的精细化技术不同，我们提出了SAMRefiner，这是一种通用且高效的方法，通过将SAM适配到掩码精细化任务中。我们模型的核心技术是噪声容忍的提示方案。具体而言，我们引入了一种多提示挖掘策略，从初始粗略掩码中挖掘出多样的输入提示，以供SAM使用（即，基于距离的点、上下文感知的弹性边界框和高斯风格的掩码）。这些提示可以相互协作，以减轻粗略掩码缺陷的影响。特别是考虑到SAM在处理语义分割中的多物体情形时的困难，我们引入了一个“拆分后合并”（STM）流程。此外，我们通过引入额外的IoU适配步骤，将我们的方法扩展为SAMRefiner++，进一步提升了通用SAMRefiner在目标数据集上的表现。这个步骤是自增强的，不需要额外的标注。所提出的框架具有高度的通用性，能够灵活地与现有的分割方法协作。我们在各种基准测试下评估了我们的掩码框架，在不同设置下展示了更好的准确性和效率。SAMRefiner具有显著的潜力，能够加速精细化工具的发展。我们的代码可在SAMRefiner上获取。