Physics-informed simulation framework for realistic sonar image generation and statistical validation

Sintesi Tecnica: ACOUSIM – Un Framework di Simulazione Informato dalla Fisica per la Generazione di Immagini Sonar Realistiche e la Validazione Statistica

Enunciato del Problema
Lo sviluppo di algoritmi di percezione robusti per applicazioni sottomarine (ad esempio, mappatura dei fondali, contromisure alle mine e rilevamento di oggetti) è limitato dalla scarsità di dataset reali sonar diversificati e ad alta fedeltà. L'acquisizione di immagini sonar reali è operativamente costosa, logisticamente complessa e spesso limitata da protocolli di sicurezza. Sebbene gli esperimenti controllati in vasca offrano un'alternativa economicamente vantaggiosa, non riescono a catturare la variabilità ambientale realistica, le texture dei fondali e le complesse interazioni tra oggetti e ombre.

Di conseguenza, i ricercatori fanno sempre più affidamento su dati sintetici generati tramite modelli basati sull'apprendimento (GAN, modelli di diffusione) o framework guidati dalla simulazione. Tuttavia, la validazione di questi dataset sintetici rimane una lacuna critica. I metodi di valutazione attuali si basano prevalentemente su ispezioni qualitative o metriche di performance indirette a valle (ad esempio, accuratezza di classificazione). Le metriche standard di qualità dell'immagine come PSNR, SSIM, FID e KID sono calibrate per immagini ottiche naturali e non riescono a catturare le statistiche specifiche del sonar relative a intensità e texture. Inoltre, la miscelazione di dati reali e sintetici durante l'addestramento spesso oscura il divario di dominio intrinseco. Manca un metodo sistematico e quantitativo per valutare quanto strettamente i dati sonar sintetici si allineino alle distribuzioni dei dati reali senza accoppiare l'analisi alle performance basate sull'apprendimento.

Metodologia: Il Framework ACOUSIM
Per affrontare queste limitazioni, gli autori presentano ACOUSIM (Piattaforma di Simulazione e Validazione Acustica), un framework informato dalla fisica progettato per la generazione di immagini sonar e la validazione statistica autonoma. Il framework opera in tre fasi distinte:

1. Modellazione della Scena Ispirata alla Fisica:
   Invece di modellare la piena propagazione delle onde acustiche, ACOUSIM utilizza un ambiente basato su Gazebo per emulare le caratteristiche visive di primo ordine delle immagini sonar. La simulazione controlla esplicitamente i parametri rilevanti per l'acquisizione:

   • Altitudine della Piattaforma: Variata tra 10 e 20 metri.
   • Illuminazione e Ombreggiatura: Le fonti di luce direzionali vengono regolate tramite rollio, beccheggio e imbardata per simulare l'ombreggiatura degli oggetti e le regioni di evidenza.
   • Fondali e Oggetti: Superfici piane del fondale con texture variate simulano la retrodiffusione eterogenea, mentre i modelli di oggetti 3D introducono regioni di ombra e di evidenza.
   • Formazione dell'Immagine: Approssimata come $I(x, y) = L(x, y) \cdot R(x, y)$, dove $L$ codifica l'illuminazione/ombreggiatura e $R$ denota la riflettanza della superficie.

2. Modellazione del Rumore ed Elaborazione dell'Immagine:
   Per approssimare la diffusione acustica coerente e le perturbazioni di fondo, le immagini sintetiche pulite vengono degradate utilizzando:

   • Rumore Gaussiano Additivo: $N(0, \sigma^2)$.
   • Rumore Speckle Moltiplicativo: $S(x, y)$.
     L'immagine rumorosa finale è formulata come $I_S(x, y) = (I(x, y) + N(0, \sigma^2)) \cdot S(x, y)$.
     Crucialmente, il framework include una fase di sottoinsieme coerente con la fisica. Poiché gli output sintetici grezzi contengono spesso un eccesso di sfondo del fondale rispetto ai dataset reali (dove i bersagli vengono ritagliati), i campioni sintetici vengono ritagliati spazialmente e regolati nello zoom per corrispondere alla scala dell'oggetto, all'inquadratura e alle caratteristiche di visualizzazione delle immagini sonar reali.

3. Validazione Statistica Autonoma:
   Il framework valuta l'allineamento tra le distribuzioni reali ($P$) e sintetiche ($Q$) utilizzando istogrammi di intensità globale e texture locale (Pattern Binari Locali - LBP). Vengono impiegate tre metriche complementari:

   • Divergenza di Kullback–Leibler (KL): Misura la perdita di informazione direzionale.
   • Divergenza di Jensen–Shannon (JS): Fornisce una misura simmetrica e limitata.
   • Distanza del Trasportatore di Terra (EMD): Quantifica il costo minimo di trasporto, particolarmente sensibile agli spostamenti di distribuzione causati dallo spostamento delle ombre.
     La robustezza è valutata tramite un'analisi stratificata a cinque fold.

Contributi Chiave

• Piattaforma ACOUSIM: Una piattaforma di simulazione e validazione autonoma e informata dalla fisica, indipendente dai modelli generativi.
• Schema di Validazione Statistica: Una metodologia di valutazione innovativa basata su distribuzioni di intensità globale e texture LBP, quantificate tramite le metriche KL, JS ed EMD, specificamente adattate per i dati sonar.
• Valutazione Rigorosa: Valutazione sistematica su due dataset reali pubblici (SeabedObjects-KLSG-II e Sonar Common Target Detection - SCTD) utilizzando analisi a livello di dataset e valutazione della robustezza stratificata.

Risultati Sperimentali
Il framework è stato testato contro i dataset KLSG-II e SCTD, concentrandosi su due classi di oggetti: "Piano" e "Nave".

• Allineamento delle Texture: La simulazione ha dimostrato un forte allineamento delle texture locali attraverso tutte le classi e i dataset. I valori di divergenza KL per le distribuzioni LBP sono rimasti costantemente al di sotto di 0,07, e i valori EMD sono stati inferiori a 0,016. Ciò indica che il framework preserva efficacemente i modelli di micro-texture e le distribuzioni dei gradienti spaziali.
• Allineamento dell'Intensità:
  • Classe Piano: Ha mostrato un allineamento dell'intensità globale da moderato a forte (valori KL di 0,1804 per KLSG-II e 0,2500 per SCTD). La visualizzazione a livello di distribuzione ha rivelato una sovrapposizione sostanziale nella gamma di intensità media.
  • Classe Nave: Ha esibito una divergenza sostanzialmente più elevata, in particolare nel dataset SCTD (KL = 0,9173), corrispondente a un basso allineamento. Ciò è attribuito alla geometria allungata dello scafo e alle complesse regioni di ombra dei bersagli navali, che introducono variazioni di intensità non completamente riprodotte dalla simulazione attuale.
• Robustezza: L'analisi stratificata a cinque fold ha confermato un allineamento stabile dell'intensità globale per la classe piano, ma ha evidenziato una varianza più elevata per la classe nave, riflettendo la sensibilità alle variazioni del punto di vista e della geometria dell'ombra.

Significato e Affermazioni
Gli autori affermano che ACOUSIM stabilisce un baseline riproducibile a livello di distribuzione per la valutazione sonar sim-to-real. Disaccoppiando la valutazione dei dati sintetici dai modelli di apprendimento automatico, il framework fornisce un benchmark trasparente e interpretabile per confrontare immagini sonar reali e sintetiche.

Il documento posiziona questo lavoro come uno dei primi sforzi sistematici per valutare il realismo sonar sintetico attraverso l'allineamento diretto delle distribuzioni statistiche senza fare affidamento su metriche di performance basate sull'apprendimento. Il framework supporta lo sviluppo di dataset affidabili per l'analisi di immagini sottomarine e getta le basi per futuri gemelli digitali fondati sulla fisica per i sistemi di rilevamento sottomarino. Gli autori mantengono un ambito modesto, notando che mentre il framework gestisce bene i bersagli di classe piano, la complessità della classe nave rimane una sfida a causa della geometria delle ombre, e il lavoro futuro si concentrerà sull'estendere la diversità degli oggetti e dei fondali.