《Signal Processing: Image Communication》：High-resolution lunar crater detection and chronology estimation through generative enhancement and redundancy filtering
编辑推荐：
陨石坑自动检测与编年分析：提出任务导向的多尺度检测框架，结合轻量级GAN增强弱纹理区域对比度，ADown模块保持细小形态特征，8x8瓦片全局两阶段检测提升小坑恢复，采用PB-RF策略有效合并异构检测框，实现高精度（mAP50 0.946）与低延迟（3.96ms），支持区域地质演化研究。
邱一鹏|田海城|杨世瑞|李启军|周帅|王兴伟|冯奥
四川农业大学机电工程学院，雅安，625000，中国
摘要
月球撞击坑是研究月球地质演化的重要指标，但由于表面纹理较弱、光照梯度变化以及小撞击坑分布密集，自动检测任务极具挑战性。本研究提出了一种以任务为导向的检测-年代学分析流程，该流程结合了局部增强、保持形态的检测方法和考虑重叠情况的融合技术，以提升多尺度撞击坑分析的准确性。采用轻量级生成对抗网络（GAN）来恢复纹理较弱区域的坑缘对比度和阴影梯度；同时将ADown模块集成到YOLOv8框架中，以保留在传统下采样过程中容易丢失的精细月球形态特征。通过一个8×8像素的全局两阶段处理流程，进一步提高了小撞击坑的检测效果，并保持了跨越多个区域的大尺度结构的上下文一致性。为了合并不同检测结果，采用了基于优先级的冗余过滤（PB-RF）策略，在评估的设置下比标准NMS、Soft-NMS和DIoU-NMS更有效地解决了图像重复和边界伪影问题。整个系统仅使用了2.95兆参数、7.92吉浮点运算次数（GFLOPs）、5.9MB的模型大小、203.5MB的峰值内存以及3.96毫秒的延迟（252.2帧每秒），即可实现0.925的精确度、0.902的召回率和0.946的mAP50值。在四个具有代表性的月球区域进行的实验表明，该融合检测器能够捕捉到弱信号和重叠的撞击坑，并为后续的年代学分析提供了稳定的尺寸-频率分布。来自Neukum和Chang’e-5模型的年龄数据在撞击坑密集的区域中保持相对一致，证明了所恢复的撞击坑数据对于区域分析的实用性。总体而言，所提出的流程为高分辨率月球撞击坑映射提供了一个实用的框架；未来的工作可以进一步探索考虑光照影响的增强方法、基于数字高程模型（DEM）的阴影校正技术以及基于轮廓的变换器架构。代码地址如下：
引言
月球撞击坑作为月球表面最常见的地质特征，记录了月球演化的关键信息[1]、[2]、[3]、[4]、[5]。通过对撞击坑的形态特征、空间分布和叠加关系进行研究，可以揭示月球的地质演化历史、构造活动以及陨石撞击通量的变化规律[6]、[7]、[8]、[9]、[10]、[11]。撞击坑研究在行星地质学中占据重要地位，不仅提供了关于过去地质过程的信息，还为测量观测到的地质结构的相对年龄提供了重要工具[12]、[13]、[14]、[15]、[16]、[17]。
然而，传统的撞击坑识别主要依赖于人工视觉解释，这种方法耗时、劳动强度大且主观性较强[18]。随着月球探测数据的快速增长，开发高效准确的自动化检测方法已成为当前月球科学研究的重要需求。特别是在处理高分辨率图像时，大量的小撞击坑使得人工计数变得极其不切实际[19]。由于月球撞击坑具有形状多样、直径变化大以及频繁重叠等复杂特征，人工识别方法的准确性和效率难以维持[20]。早期的自动检测算法主要基于图像处理技术，如模糊边缘检测器和Radon/Hough变换[21]。尽管这些方法在一定程度上提高了检测效率（准确率约为70%–90%），但在复杂地形中仍存在明显局限性[22]。为了提升检测性能，研究人员开发了多种改进方法，包括基于梯度大小和方向的方法、自动形态测量以及参数空间中的圆度分析[23]。尽管这些方法在一定程度上提高了检测能力，但仍存在一些局限性：检测精度不够稳定，对图像质量和分辨率要求较高，且在处理形状复杂或边界模糊的撞击坑时性能下降。此外，这些方法通常需要大量手动参数调整，并且难以适应不同的应用场景。
近年来，深度学习在月球撞击坑检测领域取得了显著进展。Downes等人开发的LunaNet系统使用卷积神经网络处理器分析机载相机拍摄的图像，在不同的图像质量和噪声水平下表现出较强的鲁棒性；其检测到的撞击坑数量约为传统方法的两倍[24]。赵等人提出的DSD-MatchingNet通过可变形特征提取和稀疏-密集对称匹配策略，在复杂条件下实现了91.3%的高精度特征匹配。其动态感受野和像素级对齐能力特别适合于精确定位月球表面被遮挡的区域或部分遮挡的撞击坑[25]。Silburt等人利用CNN在月球数字高程图（DEM）上检测撞击坑，检测率为92%；新发现的撞击坑数量几乎是手动标注数据的两倍，其中15%的撞击坑直径小于基准数据集中的最小值[26]。DeLatte等人系统总结了基于CNN的撞击坑检测进展，并指出深度学习方法相较于基于手工特征的传统计算机视觉技术具有显著优势[27]。Lin等人提出了一个端到端的深度学习检测流程，专门针对直径小于50公里的撞击坑，实现了82.97%的准确率和79.39%的召回率[28]。Wang等人开发的ERU-Net模型结合了U-Net和残差网络的优点，在DEM数据上实现了83.59%的召回率和84.80%的精确率，尤其在识别重叠撞击坑方面表现优异[29]。Zang等人提出的Crater R-CNN结合TTSN方法，在高地和月海区域分别实现了91.4%和88.5%的准确率，显示出较强的泛化能力[29]。Hashimoto等人利用网格划分和语义分割技术实现了80.5%的召回率和77.3%的准确率，成功解决了CNN处理多个撞击坑时输出长度固定的问题[30]。Park等人提出的NeXtSRGAN模型通过ConvNeXt判别器提高了超分辨率图像的真实性，在PSNR和SSIM指标上显著优于现有方法，为增强和准确识别卫星图像中的撞击坑细节提供了潜在的技术路径[31]。
除了针对撞击坑本身的研究外，还有许多研究试图通过改进深度网络中的特征表示来提高小目标或低可见度目标的检测能力。典型的例子包括Zoom Text Detector，它通过粗到细的特征缩放来增强局部边界[32]；EfficientDet通过加权双向特征金字塔网络提升多尺度表示[33]；CM-Net利用同心掩码和多视角细化技术处理不规则文本轮廓[34]。传统的多尺度架构（如FPN[35]及其后续的遥感应用变体[36]和基于变形注意力的细化方法[37]也完全在特征图层面进行操作。尽管这些方法在一般物体和文本检测方面取得了成功，但它们都有一个根本局限性：所有细化操作都在主干网络处理图像之后进行，这意味着它们仅依赖于输入预处理和卷积下采样阶段后保留的信息。
当将这些策略应用于月球遥感图像时——在这些图像中，浅层撞击坑通常具有较弱的反照率对比度、模糊的坑缘、光照引起的梯度衰减以及马赛克造成的不连续性——大部分撞击坑的形态特征在进入主干网络之前就已经在像素层面丢失，因此无法通过特征级细化恢复。换句话说，这些方法可以放大或重新组织现有特征，但无法重建从未进入网络的形态信息。
为直接解决这一局限性，本研究采用了一种以任务为导向的流程，在特征提取之前进行干预。该流程不仅依赖网络内的细化来补偿缺失信号，还引入了一种图像级放大平铺策略，将千兆像素的月球马赛克分解为高分辨率子区域，从而降低了全局缩放过程中微弱坑缘结构被模糊的风险。平铺后的区域通过基于GAN的局部恢复技术进行进一步增强，有助于改善局部对比度、坡度变化、坑缘梯度以及原始马赛克中难以区分的阴影-光照过渡。然后通过两阶段的YOLO推理流程处理恢复后的图像和原始完整图像，并通过专门的基于优先级的冗余过滤（PB-RF）机制协调不同平铺区域之间的敏感性和全局上下文一致性。通过在像素层面增加可用的撞击坑相关信息，而不是仅在提取后细化特征，该框架提高了在评估条件下传统单阶段检测器和仅基于特征的细化方法经常遗漏的浅层小直径撞击坑的检测能力。
因此，本研究重点关注三个任务驱动的组成部分：（1）一个结合了生成对抗网络（GAN）基于的局部增强、坐标恢复和全局推理的 tile-enhanced 两阶段检测框架，用于超高分辨率图像；（2）一个自适应下采样模块（ADown），在通道压缩过程中保留弱地形特征，从而增强对小撞击坑的检测能力；（3）一个考虑重叠情况的边界框融合机制，明确解决平铺层和全局检测之间的冲突，生成用于年代学分析的稳定多尺度撞击坑目录。
部分内容摘录
材料
用于模型训练的撞击坑数据集包含2499张训练图像、723张验证图像和356张测试图像，比例约为7:2:1。对于区域撞击坑计数和年龄估计，使用了美国地质调查局（USGS）天体地质科学中心提供的LRO LROC WAC全球形态马赛克数据[38]，该数据由LROC仪器采集[39]。
为了确保四个评估区域（区域1-4）的可重复性，图1和表1共同
候选模块的选择
如方法论部分所述，YOLOv8中引入了一个额外的特征增强模块以提高检测精度。共评估了15种配置，具体总结在表4中。
如表4所示，基础配置（No Module）的mAP50值为0.903，模型大小为5.9MB，参数数量为3.01兆，推理延迟为4.26毫秒（234.6帧每秒）。添加不同的注意力模块通常可以提高精度，同时改变资源使用情况。例如，CBAM
结论
本研究提出了一种统一的撞击坑检测流程，结合了 tile-enhanced 两阶段策略、非对称下采样模块ADDown和考虑重叠情况的边界框融合机制。在当前的实验设置下，这种集成设计实现了0.925的精确度、0.902的召回率和0.946的mAP50值，同时保持了模型的紧凑性（5.9MB，2.95兆参数）和高效性（7.92吉浮点运算次数，203.5MB的峰值内存，3.96毫秒的延迟/252.2帧每秒）。在四个区域的实验验证表明
CRediT作者贡献声明
邱一鹏：撰写 – 审稿与编辑，撰写 – 原始草案，监督，资源管理，项目管理，方法论设计，概念构思。田海城：验证，资源管理，项目管理，方法论设计，调查研究，资金获取，数据整理。杨世瑞：验证，监督，项目管理，方法论设计，调查研究。李启军：可视化处理，验证，监督，方法论设计，调查研究，资金获取。周帅：监督，软件开发，
利益冲突声明
作者声明他们没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
致谢
我们感谢美国地质调查局天体地质科学中心的工作人员对这项研究的宝贵建议。他们对于早期月球表面光谱数据分析局限性的及时反馈在调整研究方向方面发挥了关键作用，有助于我们避免可能的偏差，促进了研究的顺利进行。
