BenthicDINO: Physics-Informed Self-Distillation for View-Invariant Side-Scan Sonar Representations

📄 arXiv: 2608.23215v1 📥 PDF

作者: Taqi Hamoda, Hayat Rajani, Nuno Gracias

分类: cs.CV, cs.AI, cs.LG

发布日期: 2026-08-24

💡 一句话要点

提出BenthicDINO以解决侧扫声纳图像中的视角不变性问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 侧扫声纳 自监督学习 物理信息 视角不变性 特征融合 深度学习 海洋探测

📋 核心要点

  1. 现有自监督学习方法未能有效处理声学伪影，导致侧扫声纳图像的视角不变性不足。
  2. 提出了一种基于物理信息的自蒸馏框架，通过物理驱动的增强和HSIC惩罚实现视角不变性。
  3. 在S3Seg数据集上，融合表示在仅使用10%标注数据的情况下，达到71.4%的mIoU和86.5%的整体准确率。

📝 摘要（中文）

自动化侧扫声纳（SSS）图像感知受到物理声学伪影的严重影响，导致反射率与瞬态视角几何混合。现有的自监督学习框架未能有效处理声学退化和视角不变性。为此，本文提出了一种基于DINOv3架构的物理信息自蒸馏框架，利用ConvNeXt-v2-Tiny骨干网络以最大化数据效率。该方法通过物理驱动的增强和Hilbert-Schmidt独立性准则（HSIC）惩罚实现视角不变性，且通过密集的分层特征融合策略保留细粒度沉积物细节。评估结果表明，该框架能够将复杂的底栖地形稳定地分组为无噪声的语义簇，并在S3Seg数据集上实现了显著的数据效率。

🔬 方法详解

问题定义：本文旨在解决侧扫声纳图像中由于物理声学伪影导致的视角不变性不足的问题。现有方法依赖于自然图像的增强技术，未能有效应对声学退化现象。

核心思路：提出的BenthicDINO框架通过物理驱动的增强和HSIC惩罚机制，显著提高了模型对视角变化的鲁棒性，从而实现更准确的底栖地形表示。

技术框架：该框架基于DINOv3架构，使用ConvNeXt-v2-Tiny作为骨干网络，包含两个主要机制：物理驱动的增强和HSIC惩罚。此外，采用密集的分层特征融合策略，跨越四个网络阶段进行特征整合。

关键创新：最重要的创新在于结合物理知识与自蒸馏技术，提出了新的视角不变性实现方式，显著区别于传统的自监督学习方法。

关键设计：在损失函数中引入HSIC惩罚项，确保学习到的特征与物理视角参数解耦，同时设计了多种物理驱动的增强策略以模拟声学噪声和衰减，提升模型的泛化能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，BenthicDINO在S3Seg数据集上仅使用10%标注数据便达到了71.4%的mIoU和86.5%的整体准确率，展现出极高的数据效率，相较于传统方法显著提升了模型性能。

🎯 应用场景

该研究在海洋探测、环境监测和水下机器人等领域具有广泛的应用潜力。通过提高侧扫声纳图像的自动化感知能力，可以更有效地进行海底地形分析和资源勘探，推动相关技术的发展与应用。

📄 摘要（原文）

Automated perception in side-scan sonar (SSS) imagery is severely hindered by physical acoustic artifacts, resulting in representations that inextricably mix intrinsic seabed reflectivity with transient viewing geometries. Existing self-supervised learning (SSL) frameworks rely on augmentations designed for natural images, failing to account for acoustic degradation and explicitly enforce view-invariance. To address this gap, we introduce a physics-informed self-distillation framework built upon the DINOv3 architecture utilizing a ConvNeXt-v2-Tiny backbone to maximize data efficiency. The proposed methodology enforces view-invariance through two primary mechanisms: physically motivated augmentations that simulate speckle noise, range-dependent attenuation, and radiometric miscalibration; and a Hilbert-Schmidt Independence Criterion (HSIC) penalty that explicitly decouples learned dense patch features from physical viewing parameters. Furthermore, we propose a dense, hierarchical feature fusion strategy across all four network stages to preserve fine-grained sediment details alongside deep semantic abstractions. Extensive evaluation demonstrates that the framework natively groups complex benthic topographies into stable, noise-free semantic clusters without relying on manual annotations. During supervised downstream tasks on the S3Seg dataset, the fused representations exhibited exceptional data efficiency, achieving 96% of its absolute peak performance using only 10% of the available annotated data, ultimately reaching a mean Intersection over Union (mIoU) of 71.4% and an overall accuracy of 86.5%.