文章：CoralSRT: Revisiting Coral Reef Semantic Segmentation by Feature Rectification via Self-supervised Guidance
代码：https://coralsrt.hkustvgd.com/
单位：香港中文大学
一、问题背景：珊瑚的"任性生长"难倒AI
珊瑚的生长受基因、环境变化、生物竞争等多重因素影响，形状、纹理和分布极具随机性，没有固定的结构规律。相比鱼类等可通过局部特征推断整体的生物，珊瑚即使部分遮挡也无法预判完整形态，导致 segmentation 难度陡增。
现有方法存在明显短板：传统数据驱动模型依赖海量标注数据，耗费大量人力和专业知识；基于超像素的稀疏到密集转换方法难以捕捉高层语义；SAM等提示性分割模型常出现"漏标"或"误标"问题，无法适配珊瑚的无规则生长特性。这些问题严重限制了珊瑚礁监测的规模化应用。
二、方法创新：CoralSRT 用自监督校正破解痛点
研究团队提出的 CoralSRT（珊瑚自监督校正训练）方法，以"段"为核心构建分割逻辑，无需额外标注、不微调基础模型，就能实现高效语义分割。
其核心创新在于两点：一是建模段内亲和性，通过SAM 2等基础模型生成密集掩码，迫使同一段内的特征向中心值（均值或中位数）靠拢，强化珊瑚的自我相似性特征；二是借助基础模型的大规模预训练优势，通过特征聚类实现跨段亲和性建模，无需人工定义语义标签。
整个过程通过自监督校正模块 Rec(·) 完成特征优化，仅需利用基础模型已有的特征信息，就能降低珊瑚特征的随机性，让 label 传播更高效。该方法还具有任务和模型无关性，可灵活适配不同基础模型和应用场景。
三、实验结果：多项指标刷新性能上限
研究团队构建了包含264万张无标签图像的 CoralWorld 数据集，以及覆盖10个国家、1109张图像的多场景测试集，从多维度验证效果：
稀疏到密集转换：在100个标注点下，CoralSRT 结合 CoralSCOP 基础模型，mIoU 达到74.32%，远超 SAM 2的33.18%和传统方法 Fast-MSS 的28.34%；
零样本分割：在 Mosaics UCSD 数据集上，50个标注点时 mIoU 达44.66%，优于 HIL、FeatUp 等专业算法；
语义分割对比：无需训练微调的 CoralSRT‡，在100个标注点下 mIoU 达75.29%，接近甚至超越 DeeplabV3、Mask2Former 等监督学习模型；
数据适应性：即使使用 COCO-Stuff 通用数据集优化，也能实现有效分割，证明其不依赖领域特定数据。
四、优势与局限：亮点突出，仍有提升空间
核心优势
零额外成本：无需人工标注、不微调基础模型，大幅降低数据收集和模型优化门槛；
高灵活性：支持自定义标签集，适配不同区域的珊瑚研究需求，满足生态探索的本质目的；
强泛化性：不仅适用于珊瑚礁，还能迁移到植物、细胞、生物污垢等无固定结构的分割场景；
高效易实现：目标特征制备速度比同类方法 DVT 快109倍，核心代码修改量少。
现存局限
无法自动生成独立珊瑚掩码，相比 CoralSRT、SAM 系列，在个体珊瑚区分上存在不足；
特征校正效果依赖预训练数据的质量和覆盖度，极端场景下性能可能受影响；
稀疏点选择仍会对结果产生一定影响，虽已优化但未完全消除。
五、一句话总结
CoralSRT 通过自监督特征校正，打破了珊瑚礁语义分割对海量标注和领域数据的依赖，为无固定结构目标的分割提供了高效解决方案，也为生态监测的规模化应用奠定了技术基础。
