CraterBench-R：面向行星尺度的实例级陨石坑检索
摘要
撞击坑是行星表面分析的基石。然而，尽管大多数深度学习流水线将陨石坑仅作为检测问题处理，关键的科学工作流如目录去重、跨观测匹配和形态学类比发现本质上是检索任务。为此，我们将陨石坑分析形式化为一个实例级图像检索问题，并引入了 CraterBench-R，一个经过精心策划的基准数据集，包含约 25,000 个陨石坑身份，具有多尺度画廊视图和跨越不同尺度和上下文的手动验证查询。我们对各种架构的基线评估表明，自监督 Vision Transformer（ViT），特别是具有领域内预训练的 ViT，在任务中占据主导地位，优于参数多得多的通用模型。此外，我们证明保留多个 ViT patch token 用于晚期交互匹配可以显著提高标准单向量池化的准确性。然而，在行星尺度上存储每个图像的所有 token 在操作上效率低下。为了弥补这一效率差距，我们提出了实例 token 聚合（instance-token aggregation），一种可扩展的、无需训练的方法，它选择 K 个种子 token，通过余弦相似度将剩余 token 分配给这些种子，并将每个簇聚合为一个代表 token。该方法带来了显著提升：在 K=16 时，聚合将 mAP 提高了 17.9 个百分点，相比原始 token 选择；在 K=64 时，它以显著更少的存储达到了使用全部 196 个 token 的准确性。最后，我们证明了一个实用的两阶段流水线，即单向量预筛选后进行实例 token 重排序，可以在仅搜索小候选集的情况下恢复 89-94% 的完整晚期交互准确性。该基准数据集在 hf.co/datasets/jfang/CraterBench-R 上公开可用。
引用
@article{arxiv.2604.06245,
title = {CraterBench-R: Instance-Level Crater Retrieval for Planetary Scale},
author = {Jichao Fang and Lei Zhang and Michael Phillips and Wei Luo},
journal= {arXiv preprint arXiv:2604.06245},
year = {2026}
}
备注
Accepted at the EarthVision 2026 Workshop at CVPR 2026