DRPCA-Net：为红外小目标检测重塑稳健主分量分析
计算机视觉与模式识别
2025-07-15 v1
摘要
红外小目标检测在遥感、工业监控及各类民用应用中发挥着关键作用。尽管近期深度学习方法取得了显著进展，但许多端到端的卷积模型倾向于堆叠日益复杂的网络结构，往往以牺牲可解释性、参数效率和泛化性为代价。这些模型通常忽视了红外小目标固有的稀疏先验——这是一种可被显式建模的关键线索，可为性能和效率带来同步提升。为此，我们重访稳健主分量分析（RPCA）的模型驱动范式，提出一种新的深度展开网络——动态RPCA网络（DRPCA-Net），将稀疏先验融入可学习的架构中。不同于依赖静态全球学习参数的常规深度展开方法，DRPCA-Net通过轻量级超网络引入动态展开机制，使模型能够基于输入场景自适应生成迭代阶段的参数，从而在多样化背景下提升鲁棒性和泛化能力。此外，我们设计了动态残差组（DRG）模块，以更好地捕捉背景内部的上下文变化，实现更精准的低秩估计并提高小目标的分离效果。在多个公开红外数据集上的大量实验表明，DRPCA-Net 在检测精度上显著优于现有最先进的方法。代码已公开于 https://github.com/GrokCV/DRPCA-Net。
引用
@article{arxiv.2507.09541,
title = {DRPCA-Net: Make Robust PCA Great Again for Infrared Small Target Detection},
author = {Zihao Xiong and Fei Zhou and Fengyi Wu and Shuai Yuan and Maixia Fu and Zhenming Peng and Jian Yang and Yimian Dai},
journal= {arXiv preprint arXiv:2507.09541},
year = {2025}
}
备注
Accepted by TGRS