条件偏振引导用于伪装目标检测

伪装目标检测(COD)旨在识别与背景高度融合的目标。近期研究表明偏振线索的光学特性在提高伪装目标检测中起着重要作用。然而，大多数现有的基于偏振的方法依赖于复杂的视觉编码器和融合机制，导致模型复杂度和计算开销增加，同时未能充分探索偏振如何显式引导分层RGB表示学习。为解决这些局限性，我们提出了CPGNet，一种非对称RGB-偏振框架，引入了条件偏振引导机制来显式调节伪装目标检测中的RGB特征学习。具体而言，我们设计了一个轻量级偏振交互模块，联合建模这些互补线索并以统一方式生成可靠的偏振引导。与传统的特征融合策略不同，所提出的条件引导机制利用偏振先验动态调节RGB特征，使网络能够聚焦于伪装目标与其背景之间的细微差异。此外，我们引入了一种偏振边缘引导的频率细化策略，在偏振约束下增强高频分量，有效打破伪装模式。最后，我们开发了一种迭代反馈解码器，用于进行粗到细的特征校准并逐步细化伪装预测。在多个任务上的偏振数据集上的广泛实验以及非偏振数据集上的评估表明，CPGNet持续优于最先进的方法。