WILD-SAM：用于包裹 InSAR 干涉图中滑坡检测的相位感知专家适应
计算机视觉与模式识别
2026-04-17 v1
摘要
直接从包裹干涉合成孔径雷达（InSAR）干涉图检测缓慢移动的滑坡对于高效的地震灾害监测至关重要，但仍面临严重相位歧义和复杂相干性噪声的根本性挑战。虽然 Segment Anything Model（SAM）为分割提供了强大的基础，但其直接转移到包裹相位数据受到显著的谱域迁移的制约，这抑制了对用于边界描绘的高频条纹。为弥合这一差距，我们提出 WILD-SAM，一个 novel parameter-efficient fine-tuning 框架，专为适应 SAM 用于包裹干涉图的高精度滑坡检测而设计。具体而言，架构将 Phase-Aware Mixture-of-Experts（PA-MoE）适配器集成到冻结的编码器中，以对齐谱分布，引入 Wavelet-Guided Subband Enhancement（WGSE）策略以生成频率感知的稠密提示。PA-MoE 适配器利用跨异构卷积专家的动态路由机制，适应性地聚合多尺度谱-纹理先验，有效对齐自然图像与干涉相位数据之间的分布差异。与此同时，WGSE 策略利用离散小波变换显式地分离高频子带并细化方向性相位纹理，将这些结构线索作为稠密提示注入，以确保沿着锐利滑坡边界的拓扑完整性。广泛的在 ISSLIDE 和 ISSLIDE+基准上的实验表明，WILD-SAM 实现了最先进的性能，在目标完整性和轮廓保真度方面显著优于现有方法。
引用
@article{arxiv.2604.14540,
title = {WILD-SAM: Phase-Aware Expert Adaptation of SAM for Landslide Detection in Wrapped InSAR Interferograms},
author = {Yucheng Pan and Heping Li and Zhangle Liu and Sajid Hussain and Bin Pan},
journal= {arXiv preprint arXiv:2604.14540},
year = {2026}
}