本文发表于 *IEEE Geoscience and Remote Sensing Letters*（期刊名保留原文），题为“Sea-State-Aware Conflict Rectification under Dual-Granularity Learning Framework for Marine SAR Panoptic Segmentation”，作者为Rong Deng、Tianwen Zhang（通讯作者）、Gui Gao、Xiao Ke、Shunjun Wei和Xiaoling Zhang。主要作者来自西南交通大学（Southwest Jiaotong University）地球科学与工程学院、电子科技大学（University of Electronic Science and Technology of China）信息与通信工程学院，以及英国利物浦大学（University of Liverpool）计算机科学系。论文于2026年5月25日收到，2026年6月12日修回，2026年6月25日接受，2026年7月2日在线发表，文献编号为1504205。

该研究属于遥感图像智能解译领域，具体聚焦于海洋合成孔径雷达（Synthetic Aperture Radar, SAR）图像的全景分割（panoptic segmentation）任务。海洋SAR全景分割旨在同时完成舰船实例的分割以及海面、陆地等背景区域（stuff regions）的语义划分。已有方法虽然在舰船检测、实例分割和海陆分离等方面取得了进展，但普遍将目标与背景分别处理，忽略了海况变化引起的散射扰动。高海况条件下，海洋SAR图像中的杂波更强、背景干扰更严重、目标与背景的对比度更低，这直接导致局部细节特征可靠性下降，进而造成舰船实例掩膜预测能力退化。相比之下，大尺度结构特征在海况变化下相对稳定。因此，作者提出结构粒度与细节粒度之间的可靠性差异可被建模为“粒度间冲突”（intergranularity conflict）。基于这一动机，论文提出了一个名为DSCR（Dual-granularity learning framework with Sea-state-aware Conflict Rectification）的框架，同时构建了面向海况感知的海洋SAR全景分割基准数据集SAR-SSP，并验证了该方法的有效性与泛化能力。

在方法设计上，DSCR框架主要包含三个步骤。第一步是双粒度分解与编码。输入SAR图像通过变分模型分解为结构分量和细节分量。结构分量通过约束分片平滑性保持大尺度轮廓，而细节分量通过稀疏约束保留局部散射变化。两个分量随后分别输入共享权重的孪生编码器，提取四层多尺度特征。第二步是海况感知冲突校正（Sea-state-aware Conflict Rectification, SCR）模块。该模块首先在每一层尺度上计算结构特征与细节特征之间的原始冲突，冲突度量由方向不一致性和幅度差异两部分加权构成，并通过可学习的尺度权重融合为跨尺度原始冲突图。随后，利用海况线索图计算粗糙度响应，结合海域概率图生成海域掩膜证据，提取加权均值、加权标准差、0.9分位数以及海域面积比四类统计量，构成海况统计向量。该统计向量通过自适应门控函数对原始冲突图进行校正，抑制海杂波引起的不稳定响应，同时保留舰船和边界附近有意义的粒度间差异。第三步是冲突引导解码。校正后的冲突图用于双粒度特征的模糊融合，其中结构特征和细节特征的融合权重由校正冲突图逐尺度控制。同时，校正冲突图经全局池化后生成一个标量调制因子，用于构建舰船、海面和陆地三组查询的组先验，并在Transformer解码器初始化阶段对查询嵌入进行调制。解码器通过多层掩膜自注意力、交叉注意力和前馈变换逐步更新查询，最终输出类别预测和掩膜预测，合并形成全景分割结果。

实验设置方面，研究人员在SAR-SSP和HRSID-Pan两个数据集上进行了验证。SAR-SSP是本研究新建的海况感知基准数据集，来源于AIR-SARShip-1.0中的31景高分三号SAR场景，覆盖0至4级海况，包含近岸和离岸环境。数据集裁剪为500×500像素的图像块，共包含929张训练图像、461个舰船实例，以及232张验证图像、139个舰船实例。HRSID-Pan由HRSID扩展海面和陆地区域标注构成，包含3642张训练图像、11033个舰船实例，以及1962张验证图像、5918个舰船实例。所有实验均使用ResNet-50骨干网络，并在COCO全景分割预训练权重基础上初始化，输入分辨率统一为512×512。优化器为AdamW，学习率为1×10⁻⁴，权重衰减为0.05，批大小为8。SAR-SSP上训练7000次迭代，HRSID-Pan上训练21000次迭代。所有对比方法采用相同的数据划分、输入分辨率、优化器、训练计划以及骨干网络初始化条件。对于HRSID-Pan中缺乏海况标签的问题，海况估计分支由SAR-SSP训练模型初始化并在训练过程中冻结，从而使SCR模块能够使用可迁移的海况先验。

在定量结果方面，DSCR在SAR-SSP上取得了73.57%的全景质量（Panoptic Quality, PQ），较最强对比方法提升2.85个百分点。其中舰船实例的全景质量（PQth）达到49.86%，超越最强基线7.07个百分点；识别质量（Recognition Quality, RQ）达82.80%。在HRSID-Pan上，DSCR取得83.60%的PQ和67.64%的PQth，分别比最佳对比方法高出0.71和1.52个百分点。消融实验显示，双粒度分解将PQ从66.25%提升至72.15%，验证了结构特征与细节特征的互补性；而仅进行冲突校正但不使用海域掩膜细节统计量的普通校正变体会导致性能下降，说明若不抑制舰船、陆地和背景干扰，海况统计量估计会受到污染。分海况分析进一步表明，普通校正在低海况和中海况下对背景区域解析更稳定，而SCR在所有海况分组中均改善舰船实例解析，尤其在高海况杂乱场景中优势明显。复杂度分析显示，DSCR参数量为30.94M，FLOPs为62.20G，在对比方法中参数最少，同时获得最佳PQ，体现了较好的精度与效率平衡。跨数据集泛化实验在无微调条件下进行。HRSID-Pan训练、SAR-SSP测试时，DSCR将PQ从43.20%提升至54.80%；反向设置下，PQ从57.45%提升至63.08%，证明该方法在场景内容、目标分布和海况标注差异下仍具有较强迁移能力。定性可视化结果也表明，DSCR在近岸强干扰和密集小目标海域中能生成更完整的舰船掩膜、更清晰的海陆边界，并减少虚警和漏检。

总体而言，本文提出的DSCR方法通过双粒度分解与海况感知冲突校正，缓解了海况变化引起的局部特征不可靠问题，从而改善了海洋SAR全景分割中舰船实例与海陆背景的联合解析能力。研究贡献包括：第一，提出DSCR框架，首次将结构粒度与细节粒度之间的可靠性差异定义为粒度间冲突；第二，设计SCR模块，利用海域掩膜统计量校正冲突图，并将校正后的冲突作为特征融合和查询初始化的可靠性先验；第三，建立了SAR-SSP海况感知基准数据集。科学价值在于明确了海况条件对SAR目标—背景可分性的影响机制，并通过冲突建模将海况信息引入全景分割流程；应用价值则体现在为复杂海况下的舰船监控、海洋态势感知提供更稳健的自动解译手段。论文的亮点在于粒度间冲突的量化定义、海况统计证据的自适应校正机制，以及无需海况标注即可迁移至其他数据集的跨域能力。此外，作者在讨论中指出，未来工作将探索自适应校正强度的调节以及更均衡的海况分组评估，以进一步提升不同海况条件下的鲁棒性。