DISTA-Net：动态密集红外小目标分解
计算机视觉与模式识别
2025-12-11 v2
摘要
在红外成像中，分辨密集小目标簇中的 closely-spaced small targets presents a significant challenge，因为信号重叠会阻碍精确确定其数量、亚像素位置和辐射强度。虽然深度学习已推动红外小目标检测领域，但其应用于密集红外小目标尚未被探索。这种差距主要源于分离叠加特征的复杂性以及缺乏开源基础设施。本文提出了动态迭代收缩阈值网络（DISTA-Net），该网络在动态框架内重新概念化传统稀疏重构。DISTA-Net自适应地生成卷积权重和阈值参数，以便在实时内定制化重构过程。据我们了解，DISTA-Net是首个专为分解密集红外小目标而设计的深度学习模型，实现了卓越的亚像素检测精度。此外，我们已建立了第一个开源生态系统以促进该领域的进一步研究。该生态系统包括三个关键组件：(1) CSIST-100K，一个公开可用的基准数据集；(2) CSO-mAP，用于亚像素检测的自定义评估指标；(3) GrokCSO，一个包含DISTA-Net及其他模型的开源工具包。我们的代码和数据集可在 https://github.com/GrokCV/GrokCSO 上获得。
引用
@article{arxiv.2505.19148,
title = {DISTA-Net: Dynamic Closely-Spaced Infrared Small Target Unmixing},
author = {Shengdong Han and Shangdong Yang and Xin Zhang and Yuxuan Li and Xiang Li and Jian Yang and Ming-Ming Cheng and Yimian Dai},
journal= {arXiv preprint arXiv:2505.19148},
year = {2025}
}
备注
Accepted by ICCV 2025. This updated version fixed the bug in SSIM, while the conclusion remains the same