MANTA：面向水下目标跟踪的物理信息感知通用框架
计算机视觉与模式识别
2025-12-01 v1
摘要
水下目标跟踪因波长相关的衰减和散射而具有挑战性，这些因素严重扭曲了不同深度和水下条件下的目标外观。训练于陆地数据的数据集现有跟踪器难以泛化到这些物理驱动的退化。我们提出MANTA，一个集成表征学习与跟踪设计的物理信息感知框架，用于水下场景。我们提出双正对比学习策略，结合时间一致性与Beer-Lambert增强，产生对时间和水下退化都稳健的特征。我们进一步引入多阶段管线，将基于运动的跟踪与物理信息感知的次级关联算法相结合，集成几何一致性和外观相似性，用于遮挡和漂移下的重识别。为补充标准IoU指标，我们提出中心-尺度一致性（CSC）和几何对齐得分（GAS）来评估几何保真度。在四个水下基准测试（WebUOT-1M、UOT32、UTB180、UWCOT220）上的实验表明，MANTA实现了最先进的性能，将成功AUC提升最高可达6个百分点，同时确保了稳定的长期水下通用跟踪和高效运行。
引用
@article{arxiv.2511.23405,
title = {MANTA: Physics-Informed Generalized Underwater Object Tracking},
author = {Suhas Srinath and Hemang Jamadagni and Aditya Chadrasekar and Prathosh AP},
journal= {arXiv preprint arXiv:2511.23405},
year = {2025}
}
备注
Accepted to the IEEE/CVF WACV 2026