用于伪装目标检测的扩散模型
计算机视觉与模式识别
2023-08-08 v2
摘要
伪装目标检测是一项具有挑战性的任务，旨在识别与背景高度相似的物体。鉴于去噪扩散模型强大的从噪声到图像的去噪能力，本文提出了一种基于扩散的伪装目标检测框架，称为 diffCOD，该新框架将伪装目标分割任务视为从噪声掩码到目标掩码的去噪扩散过程。具体而言，目标掩码从真实掩码扩散至随机分布，所设计的模型学习逆转这一加噪过程。为加强去噪学习，输入图像先验被编码并整合至去噪扩散模型中以引导扩散过程。此外，我们设计了注入注意力模块（IAM），通过交叉注意力机制使从图像中提取的条件语义特征与扩散噪声嵌入进行交互，从而增强去噪学习。在四个广泛使用的 COD 基准数据集上的大量实验表明，与现有的 11 种 SOTA 方法相比，所提出的方法取得了优越的性能，特别是在伪装目标的详细纹理分割方面。我们的代码将在以下地址公开提供：https://github.com/ZNan-Chen/diffCOD。
引用
@article{arxiv.2308.00303,
title = {Diffusion Model for Camouflaged Object Detection},
author = {Zhennan Chen and Rongrong Gao and Tian-Zhu Xiang and Fan Lin},
journal= {arXiv preprint arXiv:2308.00303},
year = {2023}
}
备注
Accepted by ECAI2023