DGA-Net：通过深度提示和图锚点引导增强SAM用于伪装目标检测
计算机视觉与模式识别
2026-01-07 v1
摘要
为了充分利用伪装目标检测（COD）中的深度线索，我们提出了DGA-Net，这是一个通过新颖的“深度提示”范式来适配分割一切模型（SAM）的专门框架。与现有主要依赖稀疏提示（例如点或框）的方法不同，我们的方法引入了一种构建和传播密集深度提示的整体机制。具体来说，我们提出了一个跨模态图增强（CGE）模块，该模块在异构图中综合RGB语义和深度几何信息，形成统一的引导信号。此外，我们设计了一个锚点引导细化（AGR）模块。为了抵消特征层次中固有的信息衰减，AGR构建了一个全局锚点，并建立了直接的非局部路径，将该引导从深层传播到浅层，确保精确且一致的分割。定量和定性实验结果表明，我们提出的DGA-Net优于最先进的COD方法。
引用
@article{arxiv.2601.02831,
title = {DGA-Net: Enhancing SAM with Depth Prompting and Graph-Anchor Guidance for Camouflaged Object Detection},
author = {Yuetong Li and Qing Zhang and Yilin Zhao and Gongyang Li and Zeming Liu},
journal= {arXiv preprint arXiv:2601.02831},
year = {2026}
}