X光安检不再靠人工标注：从无标注扫描里挖出物体，重叠行李中定位提升最多23个百分点
核心概要
X光安检的通用物体定位此前受制于专家标注稀缺，只能沿用RGB图像预训练的分割模型，在重叠、弱边界的行李扫描上表现不稳。LAO-X把无标注X光扫描中挖出的物体按比尔-朗伯定律在吸光度域重新合成，生成带整体与局部伪掩码的行李场景，再用遮挡递进的课程微调SAM2定位器。在六个X光基准上，该方法在无任何人工标注条件下把类别无关定位的mAP较SAM2与X光专用基线提升2%至23%，其中DET-COMPASS达到53.33% mAP。
深度剖析
X光安检中的物体定位可以在没有任何人工标注掩码、框、点或类别标签的条件下完成，模型只学习物体性而不依赖类别名称或文本提示。 此前的X光检测器依赖专家标注的预定义类别，开放词汇方法在推理时仍需类别名称或视觉样例，而RGB基础模型直接迁移到X光图像上并不可靠。 在六个仅用于测试的X光基准上，LAO-X在DET-COMPASS取得63.39% AP50、55.73% AP75、53.33% mAP，优于SAM2、SAM3、UnSAMv2与RAXO等基线。
训练监督来自无标注扫描本身：先挖出物体实例，再按X光透射物理重新合成拥挤行李场景，并同时给出整体实例与局部部件的伪掩码。 以往的无监督分割依赖RGB式的可见表面分组，难以处理X光中物体投影叠加、边界模糊、低衰减目标的情况。 在PIXray与PIDray上，LAO-X取得最佳mIoU与F1，PIXray上超过最强基线10个百分点以上，达到64.06%与71.86%。
遮挡递进的课程训练让RGB预训练的分割模型逐步适应X光叠加结构，从稀疏物体过渡到严重重叠。 一次性在混合复杂度合成场景上训练的效果较差，mAP为16.49%，低于分阶段课程。 按Easy、Hard、Extreme逐级增加物体数量与重叠上限后，mAP从15.58%升至16.83%，最终达到18.33%。
启示与展望
该方法在六个仅用于测试的X光基准上验证了类别无关定位，训练监督全部来自COMPASS-XP的无标注扫描与物理引导合成场景，不涉及任何目标域标注。适用读者是从事X光安检感知、基础模型域适配与无监督分割的研究人员与工程师。原文把LAO-X定位为下游识别与人工检查的辅助定位前端，实际使用需要在目标扫描仪上验证与标定，并保留人工监督。
低衰减物体仍是困难区间：在DET-COMPASS的不可见子集上AP50为26.69%，明显低于全集63.39%，薄塑料、织物或纸张的边界可能与背景难以区分。在PIDray Hidden子集上，LAO-X的AP与AP75最高，但AR10为14.60，低于SAM3的31.35与UnSAMv2的19.59，说明允许更多预测时并不能恢复全部实例。合成过程未显式模拟散射、束硬化、探测器噪声、标定差异与扫描仪特定的伪彩映射，跨扫描仪与工况的稳健性未获保证。