Localize Any Object in X-Ray Security Scans without Human Annotation¶

会议: NeurIPS 2026
arXiv: 2610.07326
代码: https://github.com/YaqiCai97/LAO-X
领域: 目标检测
关键词: X-ray security inspection, class-agnostic localization, physics-guided synthesis, Beer-Lambert law, multi-granularity supervision

一句话总结¶

针对 X 射线安检中体积投影重叠导致 RGB 通用分割模型失效且缺乏全量标注的难题，本文提出无需人工标注的自监督定位框架 LAO-X，通过显著性前景挖掘构建物品库、依据 Beer–Lambert 定律进行吸光度物理合成，并结合遮挡递增课程与多粒度伪标签微调 SAM2，实现了显著超越全监督与零样本基线的类别无关目标定位。

研究背景与动机¶

在机场、大型枢纽和重要安保活动中，双能 X 射线安检是筛查违禁物品和潜在安全威胁的核心防线。然而，传统自动化 X 射线检测大多依赖完全监督的目标检测器，受限于极其昂贵的专家标注成本，现有公开基准（如 CLCXray、PIXray）通常仅覆盖十余种预定义违禁品类别，在面对日益泛滥的新型违禁品（例如 3D 打印武器）或分布外日常杂物时泛化能力骤降。尽管自然 RGB 视觉已步入以 SAM、SAM2 为代表的通用基础模型时代，能够通过大规模预训练习得零样本定位先验，但这些模型无法直接零样本迁移至 X 射线安检领域。

这一迁移失败的核心矛盾在于成像物理机制的本质割裂：RGB 图像遵循可见表面反射与前遮挡原理，物体轮廓清晰且具有丰富纹理；而 X 射线成像则是穿透性体积投影视角，多件物体在光路投影方向呈现非线性衰减与体积叠加（Volumetric Superposition），原本清晰的物体边界在重叠处退化为连续渐变的密度衰减场。与此同时，直接在真实安检扫描上微调基础模型面临严峻的数据困境——复杂的重叠、微弱的密度对比以及扫描仪差异导致穷尽式的人工掩码标注几乎无法实现，无法为模型提供密集监督。

本文的切入角度是：与其强行依赖代价高昂的人工标注或在杂乱的真实扫描中无序挖掘，不如充分利用物理成像规律，将单件物体的解耦挖掘与物理可控合成相结合。本文的核心 idea 是：构建自监督框架 LAO-X，首先利用特征距离与双门控显著性从无标注扫描中挖掘高质量单物目标构建物品库，随后基于 Beer–Lambert 定律在吸光度域进行可控物理叠加合成，最后通过由易到难的遮挡可控课程学习与局部到整体的多粒度伪标签微调 SAM2，实现无需人工标注的 X 射线通用目标定位。

方法详解¶

整体框架¶

LAO-X 的全流程由三个核心模块构成：显著性引导的 X 射线物体挖掘（SXOM）、物理引导的 X 射线透视合成与标注（PXISL）、以及多粒度监督的遮挡可控微调训练。系统首先从无标注的分类扫描图像中挖掘前景物体实例，构建包含高低双能密度图、伪 RGB 图像及掩码的单物物品库；接着，在真实背景画布上依据 Beer–Lambert 定律对随机采样的物体在吸光度域进行叠加，生成具有真实物理重叠效应的复合扫描图，并自动组织局部到整体的多粒度伪标签；最后，引入遮挡程度递增的课程学习策略微调搭载粒度编码器的 SAM2。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["无标注双能 X 射线扫描<br/>(高低能密度图 + 伪RGB)"] --> B["显著性引导物体挖掘<br/>特征近邻互评分 + 双门控滤波"]
    B --> C["构建单物物品库 B<br/>(解耦前景、密度与掩码)"]
    C --> D["物理引导吸光度合成<br/>Beer-Lambert定律叠加 + 粒度伪标签生成"]
    D --> E["遮挡可控课程微调<br/>简单→困难→极端递增场景训练 SAM2"]
    E --> F["类别无关目标定位与多粒度分割"]

关键设计¶

1. 显著性引导物体挖掘：通过跨图互评分与双门控掩码解耦前景目标 针对微弱衰减物体易隐入背景、高密度异质物体易在无监督发现中支离破碎的问题，该设计利用不同扫描中背景高度相似而前景各异的特性来分离单物。首先使用冻结的视觉特征提取器提取特征块，计算当前图像特征块在数据集中其他图像上的前 $K$ 个最近邻距离均值作为显著性响应得分： $$s_n^m = \frac{1}{K} \sum_{i=1}^K \Big( \text{sort}(d_{n,k}^m)_{k \neq n} \Big)_i, \quad d_{n,k}^m = \min_{1 \le j \le M} \| p_n^m - p_k^j \|_2$$ 将该评分上采样为图像级显著性图 $S_n$。为消除内部异质性带来的粗糙边缘，提出双门控显著性掩码（DGSM），分别设置高阈值门控 $G_{\text{sharp}} = \sigma(k(S_n - \tau_1 \max S_n))$ 锁定高置信核心区域，以及软门控 $G_{\text{soft}} = \sigma(k(S_n - \tau_2 \max S_n))$ 捕捉物体外延。二者融合为自适应权重图 $W_n = \frac{1}{2}(\text{norm}(S_n^3 \odot G_{\text{soft}}) + G_{\text{sharp}})$，并通过立方项强力抑制背景噪声，生成显著增强图像输入现成分割模型抽取高精度前景掩码，构建四元组单物物品库 $\mathcal{O}_n = (\hat{\mathbf{H}}_n, \hat{\mathbf{L}}_n, \hat{I}_n, Y_n)$。

2. 物理引导透视合成：基于 Beer–Lambert 定律的吸光度域可控叠加 由于 X 射线穿透并不遵循可见光的 Alpha 混合，直接像素拼接无法反映物理重叠现象。该设计严格依据 Beer–Lambert 定律，利用吸光度（Absorbance）在对数透射率下线性可加的物理规律进行合成。针对高能与低能密度通道 $e \in \{H, L\}$，首先将背景与放置到画布上的物体强度映射至吸光度空间： $$A_e^{\text{bg}} = -\log \left( \frac{e^{\text{bg}}}{\alpha} + \epsilon \right), \quad A_e^{(i)} = -\log \left( \frac{\bar{e}_i}{\alpha} + \epsilon \right)$$ 其中 $\alpha$ 为入射 X 射线强度，$\epsilon$ 为稳定常数。在吸光度域将各目标区域与背景直接线性累加得到复合吸光度 $A_e^{\text{syn}} = A_e^{\text{bg}} + \sum_{i=1}^N (\bar{Y}_i \odot A_e^{(i)})$，再经由反变换 $e^{\text{syn}} = \alpha \exp(-A_e^{\text{syn}})$ 映射回真实透射强度，并经过标准伪彩色映射生成符合真实成像质感的合成扫描图像。这种可控生成使系统能够完全自主掌握图像中物体的数量、位置、尺度与重叠率。

3. 局部到整体多粒度标签池构建：应对套娃式穿透重叠的复合监督 在 X 射线透视下，物体之间往往形成类似于“套娃”（Matryoshka）的嵌套结构，局部构件本身可能就是一个完整物体或关键部件。为了让模型在边界模糊与叠加严重时兼具整体定位与细粒度结构感知能力，系统在合成图像上运行分割器获取过分割候选块，过滤非前景区后保留有效局部掩码 $\mathcal{R}^{\text{syn}}$。对每个局部部件掩码 $R_j$，根据面积开方归一化计算连续粒度得分： $$g_j = 0.1 + 0.9 \cdot \frac{\sqrt{|R_j|} - s_{\min}}{s_{\max} - s_{\min}}$$ 同时赋予整体实例掩码 $\bar{Y}_i$ 粒度标签 $g=1$。整体掩码与部件掩码共同汇入合成标签池 $\mathcal{G}^{\text{syn}} = \{(\bar{Y}_i, 1)\}_{i=1}^N \cup \{(R_j, g_j)\}_{R_j \in \mathcal{R}^{\text{syn}}}$，在微调时为模型提供分层结构约束。

4. 遮挡可控课程学习：由浅入深的难度渐进式自监督适应 从单物体图像直接跳跃至极端杂乱的安检行李包裹会导致基础模型在优化初期产生梯度震荡与定位漂移。为此，LAO-X 建立基于物体总数 $N$ 与最大重叠率上限 $\gamma$ 控制的渐进课程：将合成数据分为简单（Easy: $N \in [2,4], \gamma \in [0.0, 0.05]$）、困难（Hard: $N \in [4,7], \gamma \in [0.0, 0.3]$）与极端（Extreme: $N \in [6,9], \gamma \in [0.0, 0.5]$）三个层级。微调过程中采用 LoRA 固定 SAM2 绝大部分骨干参数，仅优化傅里叶编码器、粒度掩码 token 以及掩码解码器中的 Transformer 块，按照由易到难的分阶段调度平滑引导模型跨越模态鸿沟。

损失函数 / 训练策略¶

训练采用 LoRA（rank=8）微调 SAM2-small 的掩码解码器与粒度注入模块，其余网络权重全部冻结。优化器采用 AdamW，权重衰减为 $1 \times 10^{-5}$，采用余弦退火学习率调度器。分阶段课程设置下，Easy 阶段训练 80 个 epoch（学习率 $1.6 \times 10^{-4}$），Hard 阶段训练 64 个 epoch（学习率 $1.2 \times 10^{-4}$），Extreme 阶段训练 48 个 epoch（学习率 $1.0 \times 10^{-4}$），每个阶段开始时重置优化器状态，总计约 68,000 次参数更新，在 8 张 NVIDIA H100 GPU 上总耗时仅约 9.64 小时。

实验关键数据¶

主实验¶

在六个未参与任何挖掘或训练的真实 X 射线基准上评估类别无关的目标定位性能。评估遵循区域过滤协议（候选框中心落入 GT 扩展框 1.5 倍范围内）。主实验对比表明，LAO-X 在零人工标注的条件下全面超越了 SAM2、SAM3 等开源视觉基准，并在全景基准 DET-COMPASS 上大幅击败了依赖专家/网络类描述符的开集检测器 RAXO。

数据集	指标	LAO-X (本文)	UnSAMv2	SAM2	SAM3	RAXO (开集检测)
DET-COMPASS	AP50	63.39	33.25	36.10	11.46	54.20
DET-COMPASS	AP75	55.73	27.90	29.13	9.93	48.80
DET-COMPASS	mAP (AP50:95)	53.33	27.44	29.74	9.69	47.90
CLCXray	AP50	37.61	30.71	17.75	28.14	29.60
CLCXray	mAP (AP50:95)	25.29	19.06	12.80	18.93	22.20
DvXray	AP50	23.56	19.58	10.38	11.77	26.60
DvXray	mAP (AP50:95)	16.87	14.05	8.87	8.55	22.60
PIXray	AP50	30.26	22.54	6.33	12.04	45.00
PIXray	mAP (AP50:95)	21.37	16.97	5.14	9.05	36.90
HiXray	AP50	43.35	43.16	18.99	24.32	27.20
HiXray	mAP (AP50:95)	22.47	22.26	10.58	12.77	17.10
PIDray	AP50	11.61	9.57	1.97	7.21	21.40
PIDray	mAP (AP50:95)	5.65	4.94	1.13	3.79	16.50

在具备像素级标注的 PIXray 与 PIDray 上，LAO-X 的分割质量优势尤为突出：在 PIXray 上达到 64.06% mIoU 和 71.86% F1（分别领先第二名 UnSAMv2 12.54% 与 11.66%）；在 PIDray 上达到 50.37% mIoU 和 61.17% F1。

消融实验¶

消融实验深入验证了遮挡可控课程（Easy $\rightarrow$ Hard $\rightarrow$ Extreme）的训练阶梯对最终泛化性的绝对影响，并与无序混合训练以及跨阶段跳步进行了系统对比。

配置	包含阶段	课程训练调度	平均 AP50	平均 AP75	平均 mAP	平均 AR10
(1) 单阶段全混合	Easy + Hard + Extreme	无（所有合成场景混合单阶段）	27.14	17.30	16.49	39.82
(2) 跨阶两阶段	Easy + Extreme	有（跳过 Hard 中间过渡）	25.76	16.11	15.58	34.90
(3) 渐进两阶段	Easy + Hard	有（未加入 Extreme 阶段）	27.61	17.48	16.83	36.45
(4) 完整课程 (LAO-X)	Easy + Hard + Extreme	有（阶梯式逐级推进）	29.28	19.01	18.33	44.11

伪标签粒度消融（附录表 6）同样印证了局部与整体双重监督的协同效益：在 CLCXray 上，仅用整体掩码训练得分 12.24% mAP，仅用局部部件训练得分 13.23% mAP，而 LAO-X 结合多粒度后跃升至 16.16% mAP；在 HiXray 上 AP50 从单一整体标签的 16.73% 大幅提升至 26.30%。

关键发现¶

课程设计的阶梯递进是稳定收敛的核心基石：直接混合 18,000 张包含不同重叠程度的合成图像进行单阶段训练，平均 mAP 仅为 16.49%，而通过严格的 Easy $\rightarrow$ Hard $\rightarrow$ Extreme 梯度调度提升至 18.33%（+1.84% mAP），且高置信召回率 AR10 从 39.82% 显著上升至 44.11%。这证实了直接让模型接触高度重叠的透视场会破坏预训练权重中脆弱的连续边界先验，逐步增加物体数量与重叠率能平滑几何感知。
合成规模与物理建模至关重要：数据缩减实验表明，当合成样本从 18,000 张缩减至 4,500 张时，CLCXray 上的 AR10 发生剧烈崩塌（从 50.20% 下跌至 40.27%），表明多样化的物理重叠空间采样是跨越 X 射线扫描仪与物体摆放几何分布的必要保障。
粒度可控性展现出鲁棒单调性：与自然图像无监督模型 UnSAMv2 在调整粒度 $g$ 时发生掩码突变或边界蔓延不同，LAO-X 随 $g$ 从 0.1 增至 1.0 呈现平滑且单调的由部件核心向完整物体扩展的过渡轨迹，有效化解了 X 射线中多目标嵌套的分割歧义。

亮点与洞察¶

严格遵循 Beer–Lambert 定律的吸光度域合成机制：巧妙地将自然图像中常用的 Alpha 线性合成替换为符合光学物理衰减的对数域加法，完美再现了 X 射线体积重叠下密度叠加引起的非线性穿透效应，无需收集成对真实重叠标注即可生成高保真伪监督数据。
双门控显著性增强与局部-整体多粒度标注：通过锐化门控与平滑门控自适应平衡物体致密核心与微弱边缘，并在合成阶段注入连续粒度因子，既保留了独立物体的完整语义边界，又为被重叠切碎的可见部件提供了细粒度监督信号。
可复用的跨模态物理引导自监督范式：将“显著单物挖掘 $\rightarrow$ 物理正向合成 $\rightarrow$ 难度课程微调”这套闭环机制从 X 射线安检扩展至工业 CT 无损检测、遥感穿透雷达或多光谱成像等缺乏人工标注但物理成像机制清晰的专业领域具有极高的迁移价值。

局限与展望¶

极端低衰减物体的边界虚脱：对于极薄塑料、织物或纸质等轻质低原子序数物体，由于其在探测器上的吸收截面与背景空气极度接近，模型定位能力大幅下降（在 DET-COMPASS 不可见子集上 AP50 从全集的 63.39% 骤降至 26.69%）。
极端密集掩蔽下的高阶实例漏检：在 PIDray Hidden 这种重度掩蔽子集下，尽管单目标召回 AR1 达到最高，但在多选候选框时 AR10 仍低于 SAM3，表明当数个致密金属物体多层嵌套叠压时，底层被彻底遮挡物体的信号在吸光度饱和下几乎完全丢失。
未建模散射与多设备伪彩色差异：当前物理合成假定理想窄束无散射单/双能吸收，未显式模拟高能 X 射线在厚重金属边缘的前向康普顿散射、射束硬化伪影以及各厂家私有伪彩色转换曲线，未来可探索自适应物理渲染对抗网络以进一步提升跨仪器鲁棒性。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次提出针对 X 射线安检透视重叠物理特性的无标注自监督通用定位框架，Beer–Lambert 吸光度合成与双门控显著性挖掘构思精巧。
实验充分度: ⭐⭐⭐⭐⭐ 涵盖 6 个真实世界安检基准数据集，提供详尽的检测指标、分割指标、消融实验、协议敏感性分析及计算开销报告。
写作质量: ⭐⭐⭐⭐⭐ 逻辑严密，物理机理推导清晰，实验设计环环相扣，图表直观且对比深刻。
价值: ⭐⭐⭐⭐⭐ 摆脱了 X 射线安检领域昂贵的专家级人工标注枷锁，为机场海关通用违禁品筛查与工业透视检测提供了切实可行的自适应新基准。