安检X光机不再依赖人工标注：合成重叠行李训练定位器，杂乱场景mAP提升2%到23%

安检X光图像里的物体定位现在可以完全不用人工标注来训练，模型直接在真实扫描上找出任意类别的物体，不依赖类别名或文本提示。 此前X光检测器要么按预设类别做全监督训练，要么在推理时依赖类别名或视觉样例，而X光标注成本高、类别少，模型遇到未知物体和换扫描仪就容易失效。 在六个X光基准上，LAO-X在杂乱场景中的mAP比SAM2和X光专用基线高出2%到23%，其中DET-COMPASS上AP50、AP75、mAP分别为63.39%、55.73%、53.33%。

做法是先把无标注扫描里的显著物体挖出来，再按X光透射物理把它们重新叠成带标注的合成行李图，用这些图微调一个可按粒度出掩码的SAM2。 直接拿在自然图像上预训练的SAM系列模型做零样本迁移并不可靠，因为X光里物体边界由密度和投影叠加决定，而不是可见表面纹理。 训练数据来自COMPASS-XP的1621张扫描，合成18000个场景，按由易到难的三阶段课程逐步增加物体数量和重叠程度，六个评测数据集全部只用于测试。

下一步可以在目标扫描仪上做验证与标定，把LAO-X当作辅助定位前端接到下游识别和人工查验流程里；对只有单能扫描的设备，合成流程可退化为单通道密度图叠加。

弱衰减物体仍是难点，DET-COMPASS不可见子集上AP50为26.69%，远低于全集63.39%；极端重叠下AR10为14.60，低于SAM3的31.35。合成未显式模拟散射、束硬化、探测器噪声和扫描仪伪彩差异，跨扫描仪稳健性仍需在目标设备上确认。