TPAMI 2026 | 山东大学提出 CSSAM:打破恶劣环境限制,显著性目标检测迈向全天候实战

走出实验室：为什么我们需要 CSOD？

  长期以来，显著性目标检测的研究大多集中在光照充足、背景清晰的理想场景下。然而，一旦把这些模型放到低光、雾天、雨雪等真实环境中，性能往往会大幅缩水。

  以往的解决思路通常是“先恢复，后检测”：先用一个去雾或增强模型把图片变清晰，再交给检测模型。听起来很合理，但实际操作中却有不少坑。首先，在开放环境下很难获得真实的“清晰图”作为训练标签；其次，为了让人眼看清而设计的增强算法，未必对机器检测有益；最后，两阶段的流程太慢了，对于需要实时反应的无人系统来说，每一毫秒都很珍贵。

  如上图所示，在低光环境下，物体几乎与背景融为一体；在浓雾中，飞机的机翼被完全遮蔽。现有的 SOTA 方法（如 MDSAM）或图像恢复方法（如 RAM、FoundIR）在这些场景下都显得力不从心。

  为了填补这一空白，研究团队构建了 CSOD10K 数据集。这是首个专门针对多约束条件设计的 SOD 数据集，包含 10,000 张精心标注的图像，涵盖了 8 种真实受限场景：

• 不利环境：低光（Low-light）、雾（Fog）、雨（Rain）、雪（Snow）。
• 介质干扰：水下（Underwater）、反射（Reflection）。
• 成像缺陷：模糊（Blur）、过曝（Overexposure）。

  相比于传统数据集，CSOD10K 的挑战性在于更低的颜色对比度、更小的中心偏差（物体不一定在中间）以及更丰富的物体类别（超过 100 种）。这种多样性迫使模型必须具备真正的“鲁棒性”，而不是依赖简单的统计先验。

方法详解：如何给 SAM 注入“场景感知力”？

  面对这些挑战，研究团队提出了一种基于 SAM2 的端到端框架 CSSAM。

  CSSAM 的核心思想是在保留 SAM 强大泛化能力的同时，通过轻量级的模块让它学会识别并适应不同的环境约束。

场景先验引导适配器（SPGA）

  SAM 虽然厉害，但它是在自然场景下训练的，面对低光或水下图像时会产生明显的“领域鸿沟”。直接全量微调 SAM 的编码器成本太高，且容易破坏其预训练的特征表达。

  为此，作者设计了场景先验引导适配器（Scene Prior-Guided Adapter, SPGA）。在编码阶段，SAM2 的编码器参数被冻结，SPGA 被插入其中进行参数高效微调（Parameter-Efficient Fine-Tuning, PEFT）。

  SPGA 的巧妙之处在于它引入了分类任务。它首先提取特征进行场景分类，然后将学习到的场景类别信息作为“先验”，通过交叉注意力（Cross-Attention）机制注入到图像特征中。

混合提示解码策略（HPDS）

  SAM 本质上是一个交互式分割模型，需要人工输入点、框或掩码作为提示（Prompts）。但在自动化的 SOD 任务中，我们希望模型能直接输出结果。

  为了解决这个问题，作者提出了混合提示解码策略（Hybrid Prompt Decoding Strategy, HPDS）。它包含两个关键组件：

实验结果：全方位的性能碾压

  研究团队在 NVIDIA RTX 4090 GPU 上对 CSSAM 进行了训练和测试。实验结果显示，CSSAM 在 CSOD10K 数据集以及多个标准 SOD 数据集（如 DUTS、DUT-OMRON）上均取得了 SOTA 性能。

  更难得的是，CSSAM 在保持高精度的同时，推理速度也非常快。CSSAM-T/B/L 三个版本的帧率分别达到了 55 FPS、42 FPS 和 35 FPS，完全满足实时检测的需求。

  在定性对比中，CSSAM 的优势更加直观。无论是低光下的椅子、大雨中的蚂蚁，还是水下的沉船，CSSAM 都能勾勒出完整且精细的轮廓。

挑战与局限：极端的考验

  尽管 CSSAM 表现优异，但在一些极端恶劣的条件下仍然存在局限性。作者在论文中也展示了一些失败案例。

  如上图所示，在几乎完全黑暗（Extreme Low-light）的环境下，模型难以捕捉完整的物体结构；在特大暴雪或浓雾中，由于可见度极低且噪声极强，模型生成的掩码会出现破碎或丢失。作者指出，也许可以考虑引入多模态信息（如深度图、热成像或文本描述）来弥补纯视觉信息的不足。

  这项研究的价值不仅在于提出了一个性能强劲的模型，更在于它让显著性目标检测更贴近实战。

  通过构建 CSOD10K 数据集，山东大学的研究团队为社区提供了一个宝贵的“练兵场”；而 CSSAM 的端到端设计，则证明了通过合理的适配和提示生成，像 SAM 这样的基础模型完全可以胜任极端环境下的复杂任务。