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

Resumo Técnico: ACOUSIM – Um Framework de Simulação Informado pela Física para Geração Realista de Imagens Sonar e Validação Estatística

Declaração do Problema
O desenvolvimento de algoritmos de percepção robustos para aplicações subaquáticas (por exemplo, mapeamento do leito marinho, contramedidas a minas e detecção de objetos) é limitado pela escassez de conjuntos de dados reais de sonar diversos e de alta fidelidade. A aquisição de imagens reais de sonar é operacionalmente cara, logisticamente complexa e frequentemente restrita por protocolos de segurança. Embora experimentos controlados em tanque ofereçam uma alternativa custo-efetiva, eles falham em capturar variabilidade ambiental realista, texturas do leito marinho e interações complexas entre objeto e sombra.

Consequentemente, os pesquisadores dependem cada vez mais de dados sintéticos gerados por modelos baseados em aprendizado (GANs, modelos de difusão) ou frameworks orientados à simulação. No entanto, a validação desses conjuntos de dados sintéticos permanece uma lacuna crítica. Os métodos de avaliação atuais dependem predominantemente de inspeção qualitativa ou métricas de desempenho indiretas a jusante (por exemplo, precisão de classificação). Métricas padrão de qualidade de imagem, como PSNR, SSIM, FID e KID, são calibradas para imagens ópticas naturais e falham em capturar estatísticas específicas de intensidade e textura do sonar. Além disso, a mistura de dados reais e sintéticos durante o treinamento frequentemente obscurece a lacuna de domínio intrínseca. Há uma falta de métodos sistemáticos e quantitativos para avaliar quão próximo os dados sintéticos de sonar se alinham às distribuições de dados reais sem acoplar a análise ao desempenho baseado em aprendizado.

Metodologia: O Framework ACOUSIM
Para abordar essas limitações, os autores apresentam o ACOUSIM (Plataforma de Simulação e Validação Acústica), um framework informado pela física projetado para geração de imagens de sonar e validação estatística independente. O framework opera em três etapas distintas:

1. Modelagem de Cena Inspirada na Física:
   Em vez de modelar a propagação completa da onda acústica, o ACOUSIM utiliza um ambiente baseado em Gazebo para emular características visuais de primeira ordem das imagens de sonar. A simulação controla explicitamente parâmetros relevantes para a aquisição:

   • Altitude da Plataforma: Variada entre 10–20 metros.
   • Iluminação e Sombreamento: Fontes de luz direcionais são ajustadas via rotação, arfagem e guinada para simular o sombreamento de objetos e realçar regiões.
   • Leito Marinho e Objetos: Superfícies planas do leito marinho com texturas variadas simulam retroespalhamento heterogêneo, enquanto modelos de objetos 3D introduzem regiões de sombra e realce.
   • Formação de Imagem: Aproximada como $I(x, y) = L(x, y) \cdot R(x, y)$, onde $L$ codifica iluminação/sombreamento e $R$ denota refletância da superfície.

2. Modelagem de Ruído e Processamento de Imagem:
   Para aproximar o espalhamento acústico coerente e perturbações de fundo, as imagens sintéticas limpas são degradadas usando:

   • Ruído Gaussiano Aditivo: $N(0, \sigma^2)$.
   • Ruído Multiplicativo de Speckle: $S(x, y)$.
     A imagem ruidosa final é formulada como $I_S(x, y) = (I(x, y) + N(0, \sigma^2)) \cdot S(x, y)$.
     Crucialmente, o framework inclui uma etapa de subconjunto consistente com a física. Como as saídas sintéticas brutas frequentemente contêm excesso de fundo do leito marinho em comparação com conjuntos de dados reais (onde os alvos são recortados), as amostras sintéticas são recortadas espacialmente e ajustadas em zoom para corresponder à escala do objeto, enquadramento e características de visualização das imagens reais de sonar.

3. Validação Estatística Independente:
   O framework avalia o alinhamento entre as distribuições reais ($P$) e sintéticas ($Q$) usando histogramas de intensidade global e textura local (Padrões Binários Locais - LBP). Três métricas complementares são empregadas:

   • Divergência de Kullback–Leibler (KL): Mede a perda de informação direcional.
   • Divergência de Jensen–Shannon (JS): Fornece uma medida simétrica e limitada.
   • Distância do Transportador de Terra (EMD): Quantifica o custo mínimo de transporte, particularmente sensível a deslocamentos de distribuição causados pelo deslocamento de sombras.
     A robustez é avaliada por meio de uma análise estratificada de cinco dobras.

Principais Contribuições

• Plataforma ACOUSIM: Uma plataforma de simulação e validação independente, informada pela física, que é independente de modelos generativos.
• Esquema de Validação Estatística: Uma metodologia de avaliação novel baseada em distribuições de intensidade global e textura LBP, quantificada por meio das métricas KL, JS e EMD, especificamente adaptada para dados de sonar.
• Avaliação Rigorosa: Avaliação sistemática em dois conjuntos de dados reais públicos (SeabedObjects-KLSG-II e Sonar Common Target Detection - SCTD) usando análise em nível de conjunto de dados e avaliação de robustez estratificada.

Resultados Experimentais
O framework foi testado contra os conjuntos de dados KLSG-II e SCTD, focando em duas classes de objetos: "Plano" e "Navio".

• Alinhamento de Textura: A simulação demonstrou forte alinhamento de textura local em todas as classes e conjuntos de dados. Os valores de divergência KL para distribuições LBP permaneceram consistentemente abaixo de 0,07, e os valores de EMD foram inferiores a 0,016. Isso indica que o framework preserva efetivamente padrões de microtextura e distribuições de gradiente espacial.
• Alinhamento de Intensidade:
  • Classe Plano: Mostrou alinhamento de intensidade global moderado a forte (valores de KL de 0,1804 para KLSG-II e 0,2500 para SCTD). A visualização em nível de distribuição revelou sobreposição substancial na faixa de intensidade média.
  • Classe Navio: Exibiu divergência substancialmente maior, particularmente no conjunto de dados SCTD (KL = 0,9173), correspondendo a baixo alinhamento. Isso é atribuído à geometria alongada do casco e às regiões de sombra complexas dos alvos de navios, que introduzem variações de intensidade não totalmente reproduzidas pela simulação atual.
• Robustez: A análise estratificada de cinco dobras confirmou alinhamento estável de intensidade global para a classe plano, mas destacou maior variância para a classe navio, refletindo sensibilidade a variações de ponto de vista e geometria de sombra.

Significado e Alegações
Os autores afirmam que o ACOUSIM estabelece uma linha de base reproduzível em nível de distribuição para avaliação de simulação para realidade em sonar. Ao desacoplar a avaliação de dados sintéticos de modelos de aprendizado de máquina, o framework fornece um benchmark transparente e interpretável para comparar imagens de sonar reais versus sintéticas.

O artigo posiciona este trabalho como um dos primeiros esforços sistemáticos para avaliar o realismo do sonar sintético através do alinhamento direto de distribuições estatísticas sem depender de métricas de desempenho baseadas em aprendizado. O framework apoia o desenvolvimento de conjuntos de dados confiáveis para análise de imagens subaquáticas e estabelece as bases para futuros gêmeos digitais fundamentados na física para sistemas de sensoriamento subaquático. Os autores mantêm um escopo modesto, observando que, embora o framework lide bem com alvos da classe plano, a complexidade da classe navio permanece um desafio devido à geometria de sombra, e trabalhos futuros focarão na extensão da diversidade de objetos e do leito marinho.