第三十九届全国空间探测学术研讨会

月面岩石语义分割是巡视器环境感知、障碍识别与地形理解的基础。月面场景中低太阳高度角形成的强明暗反差、长投影，以及岩石尺度的剧烈变化，导致岩石与月壤边界极难区分，小尺度岩石易在下采样过程中丢失。通用分割大模型（如 Segment Anything Model, SAM）虽具备出色的对象区域感知能力，但其类别无关（Class-agnostic）的掩膜无法直接提供月面语义判别依据。针对上述问题，本文提出一种融合 SAM 对象先验与全局语义锚的月面岩石语义分割网络，将局部区域对象约束与图像级类别信息有机结合，为不同照明与尺度条件下的月面语义解析提供统一框架。
整体框架如图1所示。首先，采用RepViT-M2.3作为骨干网络提取多尺度视觉特征，并引入 SAM 实例掩膜作为区域先验；掩膜筛选模块结合边缘参考与区域质量评分，有效剔除冗余干扰掩膜。其次，通过掩膜平均池化提取实例原型，并与网络预测的全局类别语义锚进行交互校准，借助实例间关系推理将图像级语义信息稀疏软分配回稠密特征图。最后，区域上下文解码模块结合多尺度特征、采样策略与光照扰动增强，逐级融合并输出像素级分类结果。本方法的核心创新在于实现了掩膜质量筛选、对象语义校准与区域上下文传播的有机衔接，将对象形状先验高效转化为语义特征表示。
图1  月面岩石语义分割方法总体框架
Fig. 1  Overview of the lunar rock semantic segmentation framework
在人工月面数据集ArtificialLunar上对所提方法进行了系统验证。实验结果表明，在标准测试集上，我们的方法取得了81.98%的平均交并比（mIoU），相比当前表现最佳的方法提升了1.84个百分点；其中大岩石和小岩石的IoU分别达到61.88%和73.32%。在计算效率方面，本方法的分割网络参数量仅为29.88 M，仅为当前最优方法的约30%。强鲁棒性测试表明，在各种光照指数变化（γ∈[0.6, 1.4]）下，模型均展现出稳定的分割性能，证明了模型在关键参数配置上的稳健性。
表1  Lunar 历史测试结果对比（IoU / %）
Table 1  Comparison of historical Lunar test results (IoU / %)

方法	参数 / M	大岩石	小岩石	天空	月壤	mIoU
DOCNet	39.12	56.30	72.83	78.07	92.85	75.01
LoGCAN	30.91	55.53	70.42	93.92	96.42	79.07
DDP	99.04	57.51	71.14	95.25	96.66	80.14
本文方法	29.88	61.88	73.32	95.67	97.05	81.98

本文提出的框架通过有机结合 SAM 区域先验、语义锚校准与区域上下文解码，显著提升了月面复杂场景下的岩石分割精度，同时保持了较低的参数消耗与良好的光照鲁棒性。后续工作将重点针对极限下采样场景下小目标的几何信息保护展开深入研究，并进一步在真实月面巡视影像中验证模型的泛化能力。
 

月面岩石,语义分割,语义锚点,SAM,区域上下文