面向湍流情境下的动态对象分割：多信号先验与 SAM2 精炼
计算机视觉与模式识别
2026-05-29 v1
摘要
本技术报告呈现我们为 CVPR 2026 UG2+ 挑战赛 Track 3：湍流中的动态对象分割(DOST)所设计的解决方案。我们构建了一个无训练的多信号分割管线，组合使用预训练的运动估计、自监督语义先验、背景异常建模、手动校准的 proposal 融合，以及 SAM2 基于的掩码精炼。该方法使用 RAFT 实现密集运动响应，DINOv2 提供语义对象性先验，ViBe 实现无训练背景建模，预训练 SAM2 用于基于框的掩码精炼。与优化端到端分割网络不同，我们的系统完全以推理模式运行。这种设计适用于 DOST 场景——严重的大气湍流导致伪运动、模糊以及目标可见性间歇，使单一运动线索不可靠。最终提交的掩码经官方评分板评估，报告 mIoU 为 0.425041，mDice 为 0.457206。由于未进行任务特定模型训练或微调，更强的时序关联学习、自适应 proposal 选择或任务特定适应性可能进一步提升系统性能。
引用
@article{arxiv.2605.29292,
title = {Turbulence-Robust Dynamic Object Segmentation with Multi-Signal Priors and SAM2 Refinement},
author = {Bolian Peng and Ying Tang and Xu Liu and Long Sun and Xiaoqiang Lu},
journal= {arXiv preprint arXiv:2605.29292},
year = {2026}
}