EReCu：基于多线索学习的伪标签演化融合与细化用于无监督伪装物体检测

无监督伪装物体检测（UCOD）仍是一个具有挑战性的任务，由于目标对象与其周围环境之间的高度内在相似性，以及依赖于噪声伪标签的事实，这些伪标签阻碍了细粒度纹理学习。虽然现有的细化策略旨在缓解标签噪声，但常常忽视内在感知线索，导致边界溢出和结构模糊。相比之下，无伪标签指导的学习会产生粗糙特征，导致细节丢失显著。为解决这些问题，我们提出了一个统一的UCOD框架，旨在增强伪标签的可靠性和特征的保真度。我们的ethods引入了多线索原生感知模块，通过整合低层纹理线索与中层语义，提取内在视觉先验，实现掩码与本机对象信息之间的精确对齐。此外，伪标签演化融合通过教师-学生相互作用智能地细化标签，并利用深度可分离卷积进行高效语义去噪。它还包含谱张量注意力融合，通过跨多层注意力图的紧凑谱聚合，有效平衡语义和结构信息。最后，局部伪标签细化在利用注意力多样性恢复细节纹理并增强边界保真度方面发挥了关键作用。在多个UCOD数据集上的广泛实验表明，我们的方法实现了最先进的性能，特点是卓越的细节感知、稳健的边界对齐以及在复杂伪装情景下的强大泛化能力。