GeoDistill-Refine: Silhouette-First Geometry Distillation for Annotation-Free Spacecraft Segmentation
GeoDistill-Refine 是一个两阶段框架，将离线 SAM 3 伪掩码转移到紧凑的分割网络。它使用六个固定提示的 50% 投票融合教师输出，学生先学习前景轮廓，再用符号距离场、骨架和面积目标进行细化。样本级门控根据提示一致性、有效提示比例和伪掩码面积合理性减少不可靠伪几何的影响。在 SpaceSense-Bench HJM lockbox 集上，与普通伪标签学生相比，Image IoU 和 Boundary F1 分别提高 0.0456 和 0.1380。部署的 TinyUNet 有 0.263M 参数。
Development
- First ReportGeoDistill-Refine: Silhouette-First Geometry Distillation for Annotation-Free Spacecraft SegmentationarXiv cs.AI
- Current Assessment该研究可能推动航天器视觉感知的自动化标注，降低对人工标注的依赖，尤其在遥感领域。但当前仅在特定基准上验证，跨域性能仍需更多测试。未来可能影响卫星在轨服务、空间碎片监测等应用。Agent Pulse · analysis
GeoDistill-Refine 提出了一种无需人工标注的航天器分割方法，利用基础分割模型 SAM 3 生成伪掩码，并通过两阶段蒸馏训练紧凑网络。该方法通过六个固定提示的 50% 投票稳定教师输出，学生先学习前景轮廓，再通过符号距离场、骨架和面积目标细化。样本级门控机制过滤不可靠的伪几何。在 SpaceSense-Bench 上，Image IoU 和 Boundary F1 分别提升 0.0456 和 0.1380，在 SPEED+ 和 TANGO 上也有竞争力。部署的 TinyUNet 仅 0.263M 参数，适合资源受限场景。
该工作展示了基础分割模型（如 SAM 3）的伪掩码可以通过提示融合和几何目标蒸馏到轻量网络，但提示选择对结果影响显著。样本级门控基于提示一致性和面积合理性，可能成为蒸馏中过滤噪声的通用策略。下一步可观察门控阈值对跨域泛化的影响，以及不同基础模型（如 SAM 2）的适用性。
该研究可能推动航天器视觉感知的自动化标注，降低对人工标注的依赖，尤其在遥感领域。但当前仅在特定基准上验证，跨域性能仍需更多测试。未来可能影响卫星在轨服务、空间碎片监测等应用。
对于航天器运营和遥感服务商，该方法可降低标注成本，加速模型部署。轻量网络适合星载部署，可能提升在轨处理能力。但商业化需进一步验证鲁棒性。
后续可关注该方法在更多航天器数据集上的泛化，以及是否被集成到实际任务中。若门控机制被广泛采用，可能成为蒸馏标准组件。