基于特征恢复的模糊鲁棒检测：面向先验引导的红外无人机目标检测端到端框架

红外无人机（UAV）目标图像常常因快速传感器运动而受到运动模糊退化，显著降低目标与背景之间的对比度。通常情况下，检测性能高度依赖于目标与背景之间判别性特征表示。现有方法通常将去模糊处理作为关注视觉质量的预处理步骤，而忽视了对检测至关重要的特征增强。提高在模糊条件下特征表示的检测性能仍然具有挑战性。本文提出了一个 novel 的联合特征域去模糊和检测端到端框架，称为JFD3。我们设计了一个具有共享权重的双分支架构，其中清晰分支引导模糊分支提高判别性特征表示。具体而言，我们首先引入一个轻量级特征恢复网络，来自清晰分支的特征作为特征级监督指导模糊分支，从而增强其针对检测的独特性能力。我们然后提出了一种频率结构引导模块，从恢复网络中细化结构先验，并将其整合到浅层检测层，以丰富目标结构信息。最后，在双分支检测主干网络之间施加特征一致性自监督损失，驱动模糊分支逼近清晰分支的特征表示。我们还构建了一个基准数据集，命名为IRBlurUAV，包含30,000个模拟和4,118个真实红外无人机目标图像，具有多样化的运动模糊。在IRBlurUAV上的大量实验表明，JFD3在保持实时效率的同时实现了优异的检测性能。