في عصر تتسارع فيه وتيرة الابتكار في مجال الذكاء الاصطناعي، يأتي نظام GeoDistill-Refine ليشكل نقطة تحول في تقنيات تقسيم صور المركبات الفضائية. يعتمد هذا النظام على نموذج تعلم مزدوج يهدف إلى تحسين دقة النتائج دون الحاجة لاستخدام أقنعة تدريب يدوية، مما يقلل الوقت والجهد المطلوبين.

يعمل GeoDistill-Refine على نقل أقنعة التخمين (pseudo-masks) من نموذج SAM 3 إلى شبكة تقسيم مدمجة عبر مرحلتين، مما يضمن استقرار نتائج المعلم (teacher output) من خلال دمج ستة مدخلات ثابتة (fixed prompts) عبر تصويت غير موزون. في المرحلة الأولى، يتعلم النموذج شكل الظل (foreground silhouette) ثم يتم تحسينه باستخدام أهداف مشتقة من مساحة مختصرة، وأهداف هيكلية، وأهداف تتعلق بالمنطقة للمساعدة في تعزيز دقة النتائج.

ما يميز طريقة GeoDistill-Refine هو استخدام بوابة على مستوى العينة، والتي تحسن من موثوقية النتائج بالتقليل من تأثير الجيومترات غير الموثوقة، مما يعزز فعالية النموذج في معايير الأداء مثل دقة حدود تقسيم الصورة (Boundary F1) وملائمة الصورة (Image IoU).

تظهر الاختبارات على مجموعة SpaceSense-Bench التفوق الملحوظ لـGeoDistill-Refine في تحقيق تحسن بنسبة 0.0456 في مؤشر IoU و0.1380 في مؤشر Boundary F1 مقارنةً بالنماذج التقليدية. كما أثبتت التقييمات الخارجية على أنظمة متعددة مثل SPEED+ Lightbox وSunlamp تميز النظام في تقليل الأخطاء وزيادة دقة التقسيم.

يحتوي نموذج TinyUNet المباشر على 0.263 مليون معلمة ويحتاج إلى حوالي 1.1 مللي ثانية لكل صورة عند استخدام بطاقة RTX 4090، حيث تُستخدم تقنيات بناء أقنعة التخمين والفروع الهندسية المساعدة خلال فترة التدريب فقط. ما يعني أن GeoDistill-Refine يمثل خطوة متقدمة نحو تطبيقات أكثر فعالية في مجال استكشاف الفضاء والتصوير الفضائي.