基于合成 SAR 影像的油污检测框架：超越分割
计算机视觉与模式识别
2026-01-06 v1
摘要
海洋油污是迫切的环境灾害，要求快速可靠的检测以最小化生态和经济损失。虽然合成孔径雷达（SAR）影像已成为大规模油污监测的关键工具，但大多数现有检测方法依赖于应用于单张 SAR 影像上的深度学习分割，这些静态方法难以区分真实油污与视觉上相似的海洋特征（如生物源泡沫或低风区），导致高假阳性率和有限的普适性，尤其在数据稀缺条件下。为克服这些限制，本文提出一种油污变化检测（OSCD）框架，这是一种新的双时相任务，聚焦于识别预泄漏前后 SAR 影像之间的变化。由于现实的共配准前期 SAR 影像并不总是可用，本文提出时序感知混合填充（TAHI）框架，从后期 SAR 数据生成合成前期影像。TAHI 集成了两个关键组件：用于油污无关重建的高保真混合填充，以及用于辐射率和海况一致性的时序真实性增强。使用 TAHI，我们构建了首个 OSCD 数据集并对几种最新变化检测模型进行基准测试。结果表明，OSCD 在减少假阳性率和提高检测精度方面显著优于常规分割，证明了时序感知方法在实际场景中实现可靠、可扩展的油污监测的价值。
引用
@article{arxiv.2601.02139,
title = {Beyond Segmentation: An Oil Spill Change Detection Framework Using Synthetic SAR Imagery},
author = {Chenyang Lai and Shuaiyu Chen and Tianjin Huang and Siyang Song and Guangliang Cheng and Chunbo Luo and Zeyu Fu},
journal= {arXiv preprint arXiv:2601.02139},
year = {2026}
}