编辑推荐：
太阳纤维体（及其在太阳边缘对应的日珥）是太阳磁拓扑的重要示踪体，也是日冕物质抛射（CME）的关键前兆。对这些结构进行精确识别与连续跟踪，对于理解太阳爆发现象机制以及提升空间天气预报能力至关重要。该系统综述评估了自动检测方法的演进过程，重点讨论了在高分辨率太阳观
太阳纤维体（及其在太阳边缘对应的日珥）是太阳磁拓扑的重要示踪体，也是日冕物质抛射（CME）的关键前兆。对这些结构进行精确识别与连续跟踪，对于理解太阳爆发现象机制以及提升空间天气预报能力至关重要。该系统综述评估了自动检测方法的演进过程，重点讨论了在高分辨率太阳观测数据量呈指数增长背景下的数据处理挑战。研究人员指出，深度学习架构，尤其是 U-Net 变体与 Mask R-CNN，是当前最具发展前景的主流范式。与传统图像处理方法相比，这类数据驱动模型在噪声干扰和观测条件变化下表现出更强的鲁棒性，能够以亚秒级推理速度实现高精度分割（>90% 准确率）。计算效率与识别精度的这一跃升，直接促进了实时业务化监测，并支持跨太阳活动周期间纤维体演化的大规模统计分析。综述认为，未来突破将主要依赖于物理信息驱动人工智能，以及标准化基准体系的建立，从而弥合像素级分割与物理解释之间的差距，最终构建既具业务可靠性又具科学意义的检测系统。
1. Introduction
本文首先阐述了太阳纤维体检测研究的重要背景。太阳纤维体是 Hα 全日面图像中可见的细长低温等离子体结构，其检测对于认识太阳活动、爆发机制以及空间天气预报具有重要意义。早期研究主要依赖人工视觉识别，不仅耗时耗力，而且难以适应观测数据规模持续增长的现实需求。随着望远镜技术、数字成像和多波段观测能力的发展，太阳图像的数量、分辨率和时间采样率显著提高，从而推动检测方法由人工处理转向全自动识别。文章指出，现有方法的发展路径体现为从基础图像增强、阈值分割到形态学分析、再到机器学习（ML）与深度学习的逐步演进。与此同时，纤维体外观多样、背景不均匀、图像质量波动以及与黑子等暗特征的混淆，仍然构成自动检测面临的核心困难。作者还以 CHASE 观测结合 U-Net 分割为例，说明现代深度学习方法已能够较好刻画纤维体结构轮廓。全文的综述框架建立在“太阳纤维体物理特征—图像处理方法—机器学习技术”三者相互作用之上，目标是系统梳理方法演化、归纳关键进展并识别尚未解决的问题。
2. Historical Evolution of Solar Filament Detection Techniques
本节按照时间顺序总结太阳纤维体检测技术的历史演进，指出其总体趋势是由高人工参与度的方法逐步走向高自动化、智能化方法。文章将这一过程概括为三个阶段：人工与半自动阶段、图像处理与早期机器学习阶段，以及深度学习阶段。每一阶段在方法原理、检测精度和计算效率方面都表现出明显差异，也共同反映了数据规模增长和业务应用需求对技术路线的推动作用。
2.1. Manual and Semi-Automated Methods (1990s–2002)
这一阶段的方法主要建立在人工经验主导和简单自动化辅助的基础上。巴黎-默东天文台通过对手绘太阳综览图进行半自动数字化，建立了长期太阳特征记录，为后续自动检测算法提供了重要的基准数据和验证基础。此类方法虽然保留了人工监督环节，以减少误检，但已构成向自动化迈进的关键起点。进一步的全自动尝试开始引入阈值分割和区域生长等基础图像处理策略，用于检测纤维体消失等事件。此类方法通常采用诸如“4 像素”或“40 像素”连通规则来处理噪声和碎裂问题，并可达到接近实时的处理速度。然而，这些早期方法对图像质量、背景非均匀性和观测条件变化十分敏感，泛化能力有限。
2.2. Image Processing and Early Machine Learning (2003–2010)
这一时期，太阳纤维体检测方法出现明显多样化，并开始与早期机器学习技术结合。图像处理方面，方向性形态学滤波、区域生长、拉普拉斯增强、自适应阈值等方法得到了广泛应用，显著提升了对大型纤维体和复杂结构的检出能力。对于 Hα 暗特征，如活动纤维体和色球喷流，有研究利用基于局部中值的动态阈值检测暗点，并结合多波段信息实现事件分类，提高了事件起止时刻识别的准确性。机器学习的引入构成了这一阶段的重要突破。人工神经网络（ANN）开始用于处理背景亮度变化条件下的纤维体识别问题，支持向量机（SVM）则被用于纤维体分类及黑子去除，在大尺度纤维体检测上表现出较高准确率。此外，图像处理与神经网络校验相结合的混合系统有效降低了误接受率，并保持较快处理速度。除检测外，这一时期在纤维体骨架提取、手性（chirality）判别和自动生成太阳综览图方面也取得进展，标志着检测技术开始从“是否存在”向“结构表征与演化分析”延伸。
2.3. Deep Learning Era (2011–Present)
自 2011 年以来，深度学习成为太阳纤维体检测的主导技术路线，并推动该领域进入端到端学习的新阶段。U-Net 及其改进模型在纤维体分割任务中表现尤为突出。其编码器—解码器对称结构、跳跃连接以及多尺度特征融合能力，使其能够在保留空间定位精度的同时捕获丰富语义信息，因此特别适用于纤维体边界分割。后续研究进一步引入注意力机制、Transformer 模块以及轻量化设计，以提升全局特征建模能力、增强模型可解释性并降低参数量。除语义分割外，Mask R-CNN 等实例分割方法也展现出优异表现，在无需强度归一化的情况下即可实现高精度检测和亚秒级推理。半监督学习、YOLOv5 与 U-Net 结合的方法则有效降低了标注成本。轻量化架构如 Flat U-Net 说明，在压缩模型规模的同时，仍可维持具有竞争力的精度，从而为嵌入式平台和实时监测应用提供可能。总体来看，这一阶段的技术进步使检测精度由早期的约 72%–85% 提升至稳定的 90% 以上，计算时间也由分钟级缩短到亚秒级。
3. Performance Comparison of Key Technical Approaches
本节从传统图像处理、经典机器学习和深度学习三类主流技术范式出发，对其性能特征进行比较。传统图像处理方法的主要优点在于算法透明、无需大规模训练数据、实现相对简单，适合资源受限且强调可解释性的场景，但其对图像质量变化较敏感，参数调节依赖经验，对碎裂纤维体、边缘暗化和黑子混淆等情况处理能力有限。经典机器学习方法在特征判别和分类精度方面优于传统方法，特别是在区分纤维体与其他太阳暗结构时具有优势，也可在合理计算成本下支持近实时应用，但仍依赖人工设计特征，且在训练分布之外的泛化能力受限。深度学习方法则在分割精度、抗噪性和跨观测条件鲁棒性方面处于当前最优水平，能够自动学习有效特征表示，减少繁琐预处理和人工特征工程。不过，其训练成本高、依赖大量标注样本、模型可解释性不足，并可能受域偏移影响。文章据此指出，不同范式之间并不存在绝对替代关系，最优方案取决于应用场景、算力条件、可解释性需求及业务部署环境。
3.5. Critical Perspectives: Paradigm Conflicts and Epistemic Gaps
文章进一步提出若干关键的认识论问题。首先，当前高像素级分割精度并不等同于对太阳纤维体物理本质的理解，深度学习模型更多是在执行纹理匹配，而非真正理解磁流体力学（MHD）约束下的磁连接与拓扑结构，这就造成了“语义鸿沟”。其次，领域内普遍采用 F1-score、Pixel Accuracy 等通用计算机视觉指标，但这些指标与空间天气预报中的实际业务价值并不完全一致，因为不同类型纤维体的爆发风险和预报意义并不相同。此外，数据集预处理方式、分辨率和标注标准的不一致，导致不同研究之间缺乏可直接比较性，制约了可重复性评估与方法进步。文章还指出“仪器过拟合”问题，即模型学习到的可能是特定望远镜成像特征与标注者偏差，而非纤维体本身的普适属性。最后，过度集中于少数深度学习架构，尤其是 U-Net 的各种变体，可能抑制方法学多样性，而“黑箱”属性又对实时业务化应用中的可信性与可审查性构成障碍。
4. Application-Oriented Challenges and Advances
本节从业务应用角度分析当前技术落地面临的挑战及其对应进展。跨仪器泛化是首要问题，不同太阳台站在空间分辨率、谱带宽度、时间采样和噪声性质上差异显著，导致单一数据源训练的模型迁移到其他观测平台时性能下降。针对这一问题，多台站联合训练、半监督学习、域适应和风格迁移等方法已表现出积极效果。实时处理与计算效率是另一核心要求。随着轻量化网络设计、推理优化和并行计算技术的发展，现代方法已能够实现 <0.5 s 的单幅图像推理时间，满足近实时业务监测需求。文章同时强调，纤维体检测的最终目标之一是服务空间天气预报，因此必须加强检测模块与日冕物质抛射（CME）预测流程之间的耦合，尤其是在纤维体消失检测、物理参数提取以及演化跟踪方面。对于数据质量波动问题，深度学习模型通过注意力机制、多尺度特征提取、自适应归一化与抗噪训练策略，已在一定程度上提升了对大气扰动、边缘暗化和仪器伪影的鲁棒性。至于实际部署，研究开始关注可解释人工智能（XAI）、模块化系统设计和容器化集成，以改善模型可信度、可维护性及业务系统兼容性。
5. Future Research Directions
作者认为，未来研究应从标准化、可信人工智能、多模态融合和物理参数提取等方面推进。首先，应建立覆盖多个太阳活动周、多仪器、多模态数据的大规模标准化标注数据集，并形成统一评测协议，以提升结果可比性和模型泛化能力。其次，需发展兼具资源效率与可信性的人工智能系统，包括面向星载和边缘设备的 Edge AI、模型量化、知识蒸馏和剪枝技术。为缓解“黑箱”问题，文章强调应构建物理信息神经网络（PINNs），在损失函数中引入磁连接、拓扑连续性等物理约束，使分割结果不仅在视觉上正确，也满足 MHD 物理一致性。多模态数据融合是另一重要方向，特别是将 Hα、EUV、磁强图和光谱观测联合建模，以实现更全面的纤维体识别与物理刻画。未来还需加强时序跟踪和爆发预测能力，发展能够联合利用运动学特征、磁场背景和演化模式的检测—预报一体化框架。文章还特别指出，应推动检测任务从二值分割进一步拓展到多任务学习，使模型在单次前向传播中同时输出纤维体掩膜、骨架坐标、手性、倾角、面积、速度场等物理量，从而打通像素级识别与科学分析、业务预报之间的链条。此外，历史资料数字化、Foundation Models、SAM、视觉—语言融合及面向太阳领域的基础模型预训练，也被视为具有变革潜力的新方向。
6. Overall Synthesis and Conclusions
最后，文章总结指出，太阳纤维体检测技术的发展历程不仅体现为方法层面的升级，更反映了太阳物理观测与计算科学深度融合的趋势。从人工识别到规则驱动自动化，再到数据驱动智能检测，整个领域已经在精度、速度和适用范围上取得显著突破。当前以 U-Net 变体和 Mask R-CNN 为代表的深度学习方法，已成为最具代表性的先进方案，并在多仪器、多场景和近实时应用中显示出显著优势。然而，标准数据基准缺乏、跨域泛化不足、计算开销较高、物理可解释性有限以及与空间天气业务链路整合不充分等问题依然存在。未来的发展重点不应仅停留在像素级精度提升，而应转向构建兼顾物理一致性、计算可部署性、跨平台鲁棒性和业务决策价值的智能系统。整体而言，该综述表明，太阳纤维体检测正从单纯的图像分割问题，逐步转变为融合太阳物理、机器学习、业务预报和智能计算的综合研究方向。
