基于通道信息交互的辅助细化网络用于伪装与显著目标检测

伪装目标检测（COD）是计算机视觉领域的一项重大挑战，致力于识别和分割与背景高度融合的目标。当前主流方法在跨层特征融合方面取得了进展，但在解码阶段仍存在两个关键问题。第一个问题是同层特征内部跨通道信息交互不足，限制了特征表达能力。第二个问题是无法有效联合建模边界和区域信息，使得难以精确重建目标的完整区域和清晰边界。为解决第一个问题，我们提出了通道信息交互模块（CIIM），在通道维度引入水平-垂直集成机制。该模块通过特征重组和跨通道交互，有效捕获互补的跨通道信息。为解决第二个问题，我们构建了由先验知识引导的协同解码架构。该架构通过边界提取（BE）模块和区域提取（RE）模块生成边界先验和目标定位图，然后利用混合注意力协同校准解码特征，有效克服语义模糊和边界不精确的问题。此外，多尺度增强（MSE）模块丰富了上下文特征表示。在四个COD基准数据集上的广泛实验验证了所提模型的有效性和最先进性能。我们进一步将模型迁移到显著目标检测（SOD）任务，并展示了其在下游任务中的适应性，包括息肉分割、透明目标检测以及工业和道路缺陷检测。代码和实验结果公开可获取：https://github.com/akuan1234/ARNet-v2。