超越单张图像：检索自增强的无监督伪装物检测
计算机视觉与模式识别
2025-10-22 v1
摘要
伪装物检测（Camouflaged Object Detection, COD）的核心在于从与之高度相似的周围环境中分割物体。以往努力主要通过图像级建模或基于注释的优化来应对这一挑战。尽管取得了显著进展，这种常规做法很少利用数据层面的上下文信息，或依赖繁琐的注释。在本文中，我们提出了RISE，即一种检索自增强范式（RetrIeval SElf-augmented paradigm），其利用整个训练数据集为单个图像生成伪标签，可用于训练COD模型。RISE通过构建环境和伪装物原型库（无需 ground truth），随后进行K近邻（KNN）检索，基于这些原型库为每个图像生成伪掩码。值得注意的是，仅使用训练图像而无注释的做法，对构建高质量原型库提出了严峻挑战。为此，我们引入一种聚类-检索（Clustering-then-Retrieval, CR）策略，先通过聚类生成粗糙掩码，以促进后续的基于直方图的图像过滤和跨类别检索，以产生高置信度原型。在KNN检索阶段，为缓解特征图中伪影的影响，我们提出了多视角KNN检索（Multi-View KNN Retrieval, MVKR），该方法整合来自不同视角的检索结果，以产生更稳健和精确的伪掩码。广泛的实验表明，RISE超过了最先进的无监督和基于提示的方法。代码已公开：https://github.com/xiaohainku/RISE。
引用
@article{arxiv.2510.18437,
title = {Beyond Single Images: Retrieval Self-Augmented Unsupervised Camouflaged Object Detection},
author = {Ji Du and Xin Wang and Fangwei Hao and Mingyang Yu and Chunyuan Chen and Jiesheng Wu and Bin Wang and Jing Xu and Ping Li},
journal= {arXiv preprint arXiv:2510.18437},
year = {2025}
}
备注
ICCV 2025