诸如桥墩、海上基础和港口桩等水下混凝土结构是海洋和水力基础设施的重要组成部分。它们的长期耐久性对于确保沿海交通网络和海上设施的安全性和可用性至关重要[1]。实际上，这些结构在具有水动力扰动、腐蚀和生物污染等恶劣水下环境中不可避免地会经历退化，包括开裂、剥落和表面侵蚀[2]。因此，及时检测和准确分割裂纹对于结构完整性评估以及指导维护和修复决策至关重要[3]。
尽管最近在水下机器人技术和成像系统方面取得了进展[4,5]，但在水下图像中进行可靠的裂纹分割仍然具有挑战性。严重的光吸收和后向散射会降低图像对比度和色彩保真度，而非均匀的光照和悬浮颗粒会引入严重的噪声和空间变化的退化[6]。因此，具有细微纹理变化的细小裂纹常常被低频雾霭掩盖，或在高噪声区域完全丢失。这些挑战要求分割模型在保持全局稳健性的同时，还能精细地感知结构特征，这种平衡在实践中难以实现。
基于阈值处理[7]、边缘检测[8]或形态学滤波[9]的传统图像处理方法本质上受到手工参数的限制，这限制了它们对复杂水下条件的适应性。随着向数据驱动范式的转变，基于学习的方法已成为水下裂纹分析的主流[10]。特别是卷积神经网络（CNN）在裂纹检测和分割方面表现出强大的表示能力[11,12]。然而，CNN主要依赖于固定的感受野和局部统计信息，这往往导致在空间异质性水下退化条件下裂纹边界模糊、不连续。
为了克服局部建模的局限性，基于Transformer的架构因能够捕捉长距离依赖关系而受到越来越多的关注[13]。视觉Transformer及其分层变体通过自注意力实现了全局上下文聚合，并在密集预测任务中表现出强大的表示能力[14]。代表性设计，包括Swin Transformer[15]、Pyramid Vision Transformer[16]和SegFormer[17]，在保持全局推理能力的同时提高了效率和可扩展性[18]。混合CNN-Transformer[19]框架通过结合全局语义和局部细节建模进一步增强了细裂纹分割，在水下裂纹检测场景中显示出广阔的应用前景[20]。最近的研究结合了跨尺度注意力、频率感知融合和混合编码器设计，以在具有挑战性的视觉条件下改善裂纹轮廓[21,22]。
特别是Segment Anything Model (SAM)[23]及其变体High-Quality Segment Anything Model (HQ-SAM)[24]，引入了基于提示的分割范式，在异构视觉领域中实现了显著的零样本泛化能力。通过利用SA-1B的大规模预训练并结合多层次特征融合，HQ-SAM在适度计算开销下展示了有效的边界细化能力。然而，大型预训练Transformer在转移到具有特定领域退化的水下图像时通常需要额外的适应。当直接应用于水下裂纹图像时，预训练的表示往往难以适应散射效应和空间不均匀的光照。此外，标准的提示过程通常依赖于人工交互，这限制了大规模自主检测的可扩展性。
为了减少人工干预，人们探索了自动提示生成的方法，例如使用YOLO模型的检测先验[25]或基于分形维数的矩阵[26]。然而，这些方法通常依赖于额外的监督或基于规则的先验，这可能限制了它们在复杂水下退化条件下的适应性和泛化能力。同时，对大型预训练视觉模型进行全参数微调在计算上代价高昂且内存消耗大，特别是在资源受限的检测场景中部署Transformer时[27]。部分微调和特征转移策略，如冻结早期层同时更新任务特定的头部，可以在保留通用视觉知识的同时降低训练成本[28]。最近，对SAM进行了参数高效调整的研究，并在裂纹分割方面显示出令人鼓舞的改进[29],[30],[31]。在水下场景中，由于空间异质性退化，图像处理面临额外的挑战，这加剧了与自然图像的领域差异。主流的参数高效微调（PEFT）策略，包括Adapters[32]、LoRA[33]和基于提示的调整[34,35]，通常采用静态的低秩更新或固定的适应路径。尽管高效，但这种统一的适应可能不足以应对水下场景中退化模式在不同区域的显著变化。最新分析进一步表明，静态PEFT设计在异质视觉损坏下可能导致特征调制不足[36]。这些观察结果激发了需要针对水下裂纹分割设计动态和结构感知的适应机制。
为了解决上述限制，一个原理性的解决方案应同时（i）实现无需人工交互的自动、结构感知的提示生成；（ii）以参数高效的方式将预训练的骨干网络适应水下条件，而无需完全重新训练。在水下图像中，局部信息熵提供了灰度分布中空间复杂性和不确定性的定量度量[37]。高熵区域对应于纹理丰富或边缘密集的区域，这些区域通常与裂纹位置和结构不连续性重合[38]。因此，熵提供了一个物理上有意义且可解释的线索，用于在没有明确监督的情况下识别感兴趣的区域并指导分割。
基于这一洞察，开发了一个多尺度熵引导的提示框架，用于自动生成HQ-SAM的结构感知提示，从而实现无需人工干预的无监督和可解释的分割。为了弥合自然图像和水下图像之间的领域差异，引入了一种动态低秩适应策略，以实现在不同浑浊度和光照条件下的参数高效转移。这种机制构成了所提出的自适应基础调整范式，使得预训练的HQ-SAM骨干网络能够针对水下特定的退化进行内容感知和轻量级适应。此外，还引入了基于方向小波补偿的频率感知增强模块，以恢复高频细节并抑制噪声引起的响应。这些组件共同构建了一个熵引导和动态自适应的HQ-SAM框架，将统计结构感知与深度语义建模紧密结合，从而在复杂的水下环境中实现稳健且一致的分割。更广泛地说，该框架提供了一个统一的范式，结合了物理可解释性和数据驱动的适应性，支持水下基础设施的可扩展自主检测。
总结来说，本工作的主要贡献如下：
- (1)
一种多尺度熵引导的提示机制，将熵从统计描述符转换为无监督裂纹定位的结构先验。
- (2)
一种动态低秩专家适应策略，实现内容感知和参数高效的领域适应。
- (3)
一种频率感知增强模块，用于恢复精细的结构细节并抑制噪声响应。
- (4)
在内部水下裂纹数据集上的全面实验表明，与最先进模型相比，该框架在分割准确性、视觉保真度和泛化能力方面具有优越性。
