-
现有的核心问题是什么？
- 多模态裂缝分割任务中，需在低计算成本下实现像素级分割，但现有方法难以高效感知和融合跨模态的形态与纹理线索。
- 单模态（如RGB）方法易受光照变化、背景噪声影响，无法捕捉红外热异常、偏振变化、深度空间层次等多模态信息，在复杂视觉条件（光照不均、背景杂乱、边界模糊）下性能下降。
- 多模态建模中，跨模态特征的选择性交互和噪声抑制能力不足，导致关键细节丢失；同时需平衡模型效率与性能，以适应边缘部署需求。
-
现有方法存在什么缺陷？
- CNN-based方法：虽能捕捉关键区域形态线索，但感受野有限、归纳偏置强，难以建模连续纹理模式，且大量卷积操作导致计算开销高。
- Transformer-based方法：虽能有效捕捉形态和纹理线索，但注意力机制计算复杂度随输入长度呈二次增长，在高分辨率图像上训练和推理成本高，不适合边缘部署。
- 现有扫描策略：扫描策略固定（如统一规则扫描），缺乏对复杂、图像特异性纹理线索和拓扑结构的适应性，导致分割不连续或模糊；融合时缺乏选择性交互和噪声抑制，高频关键区域易漏检；堆叠过多VSS块、使用重参数卷积，参数和计算开销大，限制资源受限设备部署。
图1展示了LIDAR在光场深度数据集上的性能表现，包含三个部分：(a)与最先进方法的性能对比，显示LIDAR在取得最佳性能的同时所需计算资源最少；(b)不同卷积类型对性能的影响，表明LDMK卷积使LIDAR在保持较少参数的情况下实现了最佳性能；(c)复杂条件下双模态图像的分割结果，体现了LIDAR在复杂场景中生成清晰分割图的能力。
- 本文的创新解决方案是什么？
- 核心结构创新：提出LacaVSS（轻量级自适应线索感知视觉状态空间模块） ，其核心是EDG-SS（高效动态引导扫描策略）。基于预扫描掩码动态优先处理裂缝区域，通过积分图像快速评估各块重要性，构建自适应扫描路径（水平/垂直方向结合正逆序），优先处理裂缝区域，提升纹理建模效率和裂缝-背景分离精度；扫描序列仅在预处理阶段生成一次，避免冗余计算，大幅降低延迟。
图2展示了LIDAR的整体架构及LacaVSS模块的结构：(a)为LIDAR的网络架构，多模态输入经LacaVSS模块分层提取形态和纹理线索后，由LD3CF模块融合多模态、跨层级特征，通过AFDP增强频域特征、双池化策略等生成高质量分割图，流程中包含LDMK卷积、上采样等操作；(b)为LacaVSS模块结构，输入特征经DPDD去噪、LDMK处理后，结合EDG-SS生成的自适应扫描序列，通过SS2D模块进行状态建模，融合多方向扫描输出以增强特征表达。
-
计算效率创新：设计LDMK（轻量级动态调制多kernel卷积） ，通过动态中间通道选择机制（基于通道重要性评分选择Top-k通道）和自适应核策略（3/5/7种kernel尺寸结合可学习缩放/偏移参数），在多感受野捕捉形态线索的同时，通过EMA策略平滑通道激活率，减少计算开销，替代多数卷积操作以轻量化模型。
图3展示了LDMK（轻量级动态调制多内核卷积）的架构，该卷积通过自适应多内核特征提取，对从输入特征中筛选出的Top-K最重要通道进行处理。其流程为：先通过点卷积将输入通道投影至中间维度，计算各通道的重要性分数并筛选出Top-K通道生成二进制掩码进行通道剪枝，再利用多个共享深度卷积核（尺寸为3、5、7）结合可学习的缩放和偏移参数捕获不同感受野的纹理特征，最后将各卷积分支的输出沿通道维度拼接，经点卷积恢复输出维度并添加残差连接，从而在减少参数和计算成本的同时，有效提取与裂缝相关的关键形态线索。 -
融合机制创新：提出LD3CF（轻量级双域动态协同融合模块） ，包含AFDP（自适应频域感知器），通过实值FFT将特征投影到频域，结合方向感知卷积和可学习软掩码增强高频裂缝特征、抑制低频背景噪声；配合双池化融合策略（平均池化+最大池化）和动态门控，实现跨模态、跨层级特征的高效交互，在低计算成本下生成高质量分割图。