LROC-PANGU-GAN：利用行星模拟器缩小学习陨石坑分割中的仿真差距

对于着陆于外星天体上的探测器而言，能够稳健地识别并规避危险至关重要——例如，陡峭悬崖或深坑会对探测器的着陆与任务成功构成重大风险。近期将深度学习应用于该问题展现出可喜成果。然而，这些模型通常基于标注数据集的显式监督进行学习。这些人工资标注的陨石坑数据库(如月球勘测轨道器相机(LROC)数据库)可能在一致性与质量上存在欠缺，从而削弱模型性能——因为不完整和/或不准确的标签会给监督信号引入噪声，促使模型学习错误的关联并导致其作出不可靠预测。相比之下，基于物理的模拟器(如行星与小行星自然场景生成实用工具(PANGU))具有完美的真值，因为其用于渲染场景的内部状态是精确已知的。然而，它们引入了严重的仿真到真实的域差距——这是由于建模假设、未考虑的物理相互作用、环境可变性等导致的模拟环境与现实世界之间的根本差异。因此，在其输出上训练的模型在部署时会因遇到训练数据分布中未见的真实情况而性能受损。在本文中，我们因而提出一种系统，在保持标签保真度的同时缩小这一“真实感”差距。我们训练一个CycleGAN模型，从PANGU图像合成LROC图像。我们表明，这些合成图像改善了下游陨石坑分割网络的训练，在真实LROC图像测试集上的分割性能相较于仅使用模拟PANGU图像得到提升。