本文提出了一种面向自主水下航行器（AUV）光学对接任务的水下光信标检测新框架，名为物理引导与几何约束融合框架（Physics-guided and Geometry-constrained Fusion framework for Underwater Light-beacon detection，PGF-ULB）。该研究由Yuhong Miao、Guojun Wu、Qingyan Chen、Chensheng Cheng和Yafeng Wu等人完成，第一完成单位为中国科学院西安光学精密机械研究所，合作单位为崂山国家实验室。论文发表于 Information Fusion 期刊第138卷（2027年），并于2026年9月在线发表。
从学术定位来看，本文属于典型的单篇原创研究论文。其核心科学问题源于AUV光学对接中的信标感知可靠性难题。在水下光学环境中，主动发光信标（active light beacon）的图像质量同时受到后向散射（backscatter）和前向散射（forward scattering）的严重退化影响。后向散射会叠加背景杂散光从而降低信标与背景的对比度；前向散射则通过卷积式的空间扩散造成光晕模糊和边界失真。这两种物理过程具有不同的退化机制，但现有方法大多依赖单一视觉线索——或基于强度对比度，或基于预设形状模型，或基于学习外观特征——难以在真实复杂水下环境中稳定工作。
针对这一瓶颈，作者将水下光信标检测重新定义为一个面向任务的多源信息融合问题，而非单纯的语义分割或目标识别问题。其核心思路是：信标在光度域上受到物理散射过程的破坏，但其内在的径向对称几何结构在强散射下仍保持相对稳定；因此，基于物理成像模型的先验信息和基于目标固有几何结构的先验信息具有互补的可靠性特征，适合通过概率图模型进行自适应融合。
方法框架由三个级联式模块组成。模块一为物理引导显著性图生成（physics-guided saliency generation）。该模块以经典三成分水下成像模型为基础——即观测图像被分解为目标核心信号（direct component）、前向散射光晕（forward-scatter halo）和背景后向散射（ambient backscatter background）之和——但对该模型进行了面向反问题的重新表达。首先，通过亮通道分析和HSL颜色空间中的背景区域采样，以最小二乘拟合的一阶平面模型估计并抑制后向散射分量。然后，对前向散射点扩散函数（point spread function，PSF）的尺度进行分析估计：利用图像自相关函数的水平与垂直剖面高斯拟合结果，并施加由四灯标方形阵列几何结构解析推导出的修正因子，从而获得稳定的PSF尺度；最后通过一阶逆操作——在数学上等价于高斯差分（Difference-of-Gaussians，DoG）高通滤波——生成物理引导显著性图。该操作在保持高频信标核心响应的同时衰减了低频光晕成分。
模块二为基于径向对称分析的几何约束显著性图生成（geometry-constrained saliency generation）。该模块作用于经后向散射抑制后的灰度图像，利用Sobel算子计算空间梯度。对于每个候选中心，计算其邻域内各像素的观测梯度方向与理论径向方向之间的余弦相似度，并对梯度幅值进行加权聚合，从而形成几何约束显著性响应。由于使用了余弦相似度的绝对值，该方法对明暗极性具有不变性，且不依赖绝对亮度或完整边缘轮廓。
模块三为基于条件随机场（Conditional Random Field，CRF）的两级自适应融合框架。在图像级，通过计算物理显著性图与几何显著性图之间的Pearson相关系数（Pearson correlation coefficient）来量化两分支在单张图像上的一致程度，并将其直接作为加权系数，实现对两分支贡献的自适应平衡。在像素级，构建CRF能量函数：一元势由加权联合显著性映射给出，二元势采用对比度敏感的Potts模型以鼓励空间平滑并保持目标边界。通过均值场近似进行推理，得到最终前景概率，即融合显著性图。
作者针对水下光信标检测任务构建了一个新的基准数据集（ULBSOD）。该数据集包含800张来自真实湖泊和近海对接试验的图像，覆盖20余次航次和三种不同对接站构型（坐底式、笼式和抓斗式）。图像分辨率为1920×1080，距离范围为0.5至15米。数据集严格按航次划分训练、验证和测试集，分别为480、120和200张图像，以避免数据泄漏。像素级真值标注由多人独立标注并经第三方专家复核。实验所用评测指标兼顾区域级精度、阈值鲁棒性和任务级定位精度，主要包括S-measure（S_m）、加权F-measure（wF_m）、平均F-measure（AvgF）、自适应E-measure（AdpE）以及平均质心误差（Mean Centroid Error，MCE）。
在消融实验中，作者系统考察了PSF修正因子的敏感性、物理分支内部两个阶段的独立贡献、融合权重的敏感性以及两级融合机制的综合作用。结果显示，PSF修正因子在±40%范围内变化时，各项指标保持稳定，体现了方法对目标构型偏差的鲁棒性。后向散射抑制和前向散射补偿两个阶段具有独立的、可度量的增益，二者级联使用最优。在融合层面，仅使用Pearson自适应一元势已优于任一单分支，而加入像素级CRF推理后进一步显著提升结构一致性和阈值鲁棒性；完整的PGF-ULB在所有指标上达到最优。统计分析表明，Pearson系数在不同浊度分组内的均值差别中等，但组内标准差远大于组间差异，说明该系数主要反映单张图像内部的两分支一致性，而非全局退化强度的单调指标，从而支持逐图像自适应加权的必要性。
与现有方法的对比中，PGF-ULB与九种代表性显著性检测方法（包括Itti、GBVS、FT、U2Net、F3Net、ADMNet、SVAM、SPDE、TC-USOD）进行了比较。在所有主要指标上，PGF-ULB均优于其他方法，尤其是S_m达0.927，wF_m达0.911，AdpE达0.949，MCE仅为0.384像素。传统的强度或形状检测流程（Otsu阈值分割+形态学处理、Hough圆检测、MSER斑点检测）在检测成功率、F1分数、IoU和质心误差方面均远逊于所提方法。PGF-ULB实现了100%的检测成功率，F1达0.996，IoU为0.678，进一步验证了在真实散射条件下的工程级优势。
在按浊度、环境光照和目标尺度分层的鲁棒性分析中，PGF-ULB在低、中、高三种条件分组中均保持稳定；其相对深度学习方法（U2Net和SPDE）的优势在强浊度和远距离小目标条件下更为明显。计算效率方面，PGF-ULB完全无需训练参数，可在标准CPU平台上以2.06帧/秒处理原始分辨率图像，满足水下对接逼近阶段的准实时需求。将PGF-ULB输出的融合显著图接入下游单目位姿估计流程后，位姿可用性得到改善，验证了该框架在实际对接任务中的有效价值。
本研究的主要贡献可归纳为四点：一是将水下光信标检测形式化为任务驱动的显著性推理问题，并提出了基于CRF的图像级Pearson加权与像素级空间一致性两级自适应融合机制；二是开发了基于逆向成像模型重构的物理引导显著性生成策略，显式建模并抑制后向散射与前向散射；三是引入基于径向梯度方向一致性分析的几何约束显著性线索，大幅提升了强光度失真下的定位鲁棒性；四是构建并公开了ULBSOD基准数据集，为该方向提供了标准化评测平台。整体而言，该工作从信息融合的视角为极端水下视觉环境中的主动光信标定位问题提供了一条物理可解释、几何鲁棒、且无需数据驱动训练的系统性解决路径。