DSCSNet：用于近距离红外小目标无捕获的动态稀疏压缩感知网络

由于光学镜头焦距和探测器分辨率的限制，远距离聚集的红外小目标常常呈现为混合斑点。近距离小目标无捕获（Close Small Object Unmixing, CSOU）任务旨在从这些斑点中恢复单个目标的数量、亚像素位置和辐射强度，这是一个高度欠定的逆问题。现有方法在模型驱动方法的严格稀疏性保证与数据驱动方法的动态场景适应性之间难以取得平衡。为解决这一困境，本文提出了一种动态稀疏压缩感知网络（Dynamic Sparse Compressed Sensing Network, DSCSNet），这是一种深度展开网络，将交替方向乘子法（ADMM）与可学习参数相结合。具体而言，我们将 $\ell_1$ 范稀疏约束嵌入到 ADMM 的辅助变量更新步骤中，以取代传统的 $\ell_2$ 范平滑性促进项，有效保留了小目标的离散能量峰值。我们还将基于自注意力的动态阈值机制集成到重建阶段，该机制根据迭代过程中稀疏化信息自适应调整稀疏化强度。这些模块在 ADMM 的三个迭代步骤中联合端到端优化。保持压缩感知的物理逻辑后，DSCSNet 实现了稳健的稀疏引导和场景适应，从而提高了复杂红外场景下的无捕获精度和泛化能力。在合成红外数据集 CSIST-100K 上的大量实验表明，DSCSNet 在诸多关键指标（如 CSO-mAP 和亚像素定位误差）上均优于当前最先进的方法。