GeoDistill-Refine：用于无注释航天器分割的轮廓优先几何 蒸馏

基础分割模型可以在无需手动训练掩模的情况下为航天器图像提供监督，但它们的预测会随文本提示而变化，并且可能包含在 蒸馏 期间放大的几何误差。本文提出了 GeoDistill-Refine，这是一个两阶段框架，可将离线 SAM 3 伪掩模传输到紧凑的分割网络。六个固定提示通过未加权的 50% 投票融合在一起，以稳定教师的输出。学生首先学习前景轮廓，然后使用从伪掩模导出的符号距离场、骨架和区域目标进行细化。根据提示一致性、有效提示比和伪掩模区域合理性计算出的样本级门可以减少不可靠伪几何的影响。在 SpaceSense-Bench HJM 密码箱组上，与普通伪标签学生相比，GeoDistill-Refine 将图像 IoU 和边界 F1 分别提高了 0.0456 和 0.1380。对 SPEED+ Lightbox 和 Sunlamp 领域以及 TANGO 的外部评估显示出竞争性的区域重叠以及边界质量或前景精度的提高。部署的 TinyUNet 包含 0.263 M 个参数，在 RTX 4090 上每个图像大约需要 1.1 毫秒； SAM 3 伪掩模构造和辅助几何分支仅在训练期间使用。