城市地面下的空洞、裂缝和其他隐蔽灾害如若未被及时发现，可能引发路面塌陷、管线破损等安全隐患。然而，地下世界“看不见、摸不着”，一直是城市安全管理中的难点。地下异常探测的核心挑战在于如何从结构复杂、边界模糊的物理成像数据中，准确识别异常的位置与类型。中国科学技术大学陈欢欢、周熙人团队针对这一问题，提出了一种全新的地下异常检测框架——Res-SAM，在无需提前训练、无需人工标注的条件下，实现对探地雷达数据中地下异常区域的精准定位、分割与类型判别。相关研究成果以 “Reservoir-enhanced Segment Anything Model for Subsurface Diagnosis”为题，发表在《自然·通讯》（Nature Communications, 2025，DOI: 10.1038/s41467-025-67382-4）上。
在探地雷达等物理成像数据分析场景中，成像信号在非均匀介质中的传播往往呈现出明显的局部波动特性，目标区域更多表现为连续变化的波动形态，而非清晰可辨的视觉边界，难以直接映射为明确的目标轮廓结构。这使得依赖静态视觉特征的传统分割方法在实际应用中难以准确刻画异常区域。同时，真实应用环境中异常样本相对稀缺、人工标注成本较高，进一步限制了深度学习方法在跨场景应用中的泛化能力。上述因素共同导致在实际检测过程中普遍存在定位不完整、边界不精确以及类型判定不稳定等问题。
针对上述挑战，Res-SAM将通用视觉大模型的空间感知能力与刻画局部动态变化的储备池计算模型相结合。该框架首先利用视觉大模型快速定位可能存在异常的区域，再通过对局部变化特征的分析，对这些区域进行精细修正和判断，从而提高识别的准确性和稳定性。Res-SAM 不依赖大规模标注数据，也无需进行复杂、耗时的模型训练过程，既可以全自动运行，也支持通过简单点击进行交互式辅助分析，在保障结果可信度的同时大幅降低了实际应用中的人力成本。在多种真实城市道路地下异常检测任务中，Res-SAM表现出良好的稳定性和可靠性，能够在复杂背景下稳定识别潜在风险区域。
图：融合视觉与局部波动特征的异常检测框架
上述研究提出了一种面向物理成像数据解析的跨模态特征融合建模新范式，并可有效推广至医疗影像数据、遥感成像数据中，为多模态数据中目标的高效识别提供了可推广、低训练成本的技术路径。
中国科学技术大学计算机学院副研究员周熙人为文章的第一作者，陈欢欢教授为通讯作者。该研究得到了国家自然科学基金、中国科学技术大学“双一流”建设专项经费等项目的支持。
文章链接：https://www.nature.com/articles/s41467-025-67382-4
