合成開口レーダー（SAR）を用いた船舶検出は、海洋監視や沿岸警備などの重要な応用分野ですが、深層畳み込みニューラルネットワークやトランスフォーマーベースの検出器は高い精度を実現する一方で、計算量が膨大であり、リアルタイムや船上システムへの実装が困難という課題を抱えていました。本研究は、この問題を解決するため、軽量な検出モデルを開発しつつも高精度を維持する知識蒸留フレームワークを提案しています。 既存のSAR知識蒸留手法の多くは、特徴量やロジット出力のマッチングに依存していましたが、これらの方法はピクセル単位の局所的な活性化の相似性のみを強制し、物体表現間の幾何学的関係を無視していました。提案されたSURGE（Structured Unified Relational knowledGE distillation）フレームワークは、強力な教師検出器から軽量な学生検出器へ、共有の埋め込み空間でコントラスティブ目的関数（InfoNCE）を用いて関係的幾何学を転移します。この手法は、SAR領域における初のトランスフォーマーベース検出器の知識蒸留フレームワークです。 SURGEフレームワークはアーキテクチャに依存しない設計となっており、二段階検出器、一段階検出器、トランスフォーマーベース検出器などの異なるアーキテクチャに対して、デプロイされたモデル構造を変更することなく、統一されたリージョンレベルの蒸留インターフェースを提供できます。SSDD とHRSIDベンチマークでの実験結果は、二段階検出器において最大6.2 mAPと8.0 AP75の改善を達成し、基準となる学生モデルを上回るだけでなく、教師モデルの性能さえも超える実績を示しています。