近日发表于 arXiv 的一篇论文（arXiv:2605.30380v1，提交时间为 2026 年 5 月 27 日）提出了一种名为 SURGE 的知识蒸馏框架，用于在合成孔径雷达（SAR）图像中实现轻量化的船舶检测。该论文由 Surendar Devasundaram 等三位作者完成，已被 GLSVLSI'26 的专题分会“Efficiency In Computer Vision: From Image Generation to Decision”（第 74 场）接收，归属于计算机视觉与模式识别（cs.CV）方向。
论文指出，基于深度卷积网络和 Transformer 的检测器在 SAR 船舶检测任务上性能出色，但其计算开销往往过大，难以满足实时推理或舰载、机载等平台上的部署需求。轻量级模型虽然效率更高，却难以捕捉 SAR 后向散射数据中固有的复杂结构关系，因而精度受限。现有的 SAR 知识蒸馏方法大多依赖特征匹配或 logit 匹配，这类做法只强调局部激活值的相似性，却忽视了目标表示之间的几何关系。
针对这一不足，作者提出了“结构化统一关系知识蒸馏”（Structured Unified Relational knowledGE distillation，简称 SURGE）框架。该框架在共享的投影嵌入空间中，利用对比式的 InfoNCE 目标，将高性能教师检测器所学习到的关系几何信息迁移给紧凑的学生检测器，而不是简单地模仿局部特征或输出分布。作者称，这是 SAR 领域首个基于 Transformer 的 SAR 船舶检测器知识蒸馏框架。
SURGE 的另一大特点是架构无关性：它为两阶段、单阶段以及基于 Transformer 的检测器提供了统一的区域级蒸馏接口，并且无需修改各检测器实际部署时的网络结构。这意味着该方法可以较为方便地接入不同的既有检测模型，而不必为每种架构单独设计蒸馏流程。
在 SSDD 和 HRSID 两个公开基准上的实验表明，该方法对两阶段检测器带来了显著提升：相比基线学生模型，最高可获得 6.2 的 mAP 增益和 8.0 的 AP75 增益，甚至超过了教师模型的性能。论文全文可通过 arXiv 获取，DOI 为 10.48550/arXiv.2605.30380，提交版本为 v1，文件大小约 186 KB。