基于扩散先验的高斯无关表示学习以增强红外小目标检测
计算机视觉与模式识别
2025-07-25 v1 人工智能
摘要
红外小目标检测（ISTD）在诸多实际应用中发挥着关键作用。为确定性能边界，研究者使用大规模且昂贵的手动标注数据进行表示学习。然而，这种方法使最新ISTD方法在现实挑战下极其脆弱。本文首先研究了在缺乏高质量红外数据的情况下，几种主流方法在检测性能上的差异，这挑战了关于实际ISTD的现有理论。为此，我们引入高斯无关表示学习。具体而言，我们提出了高斯群压缩器，利用高斯抽样与压缩实现非均匀量化。通过利用多样化的训练样本，我们增强了ISTD模型对各种挑战的鲁棒性。随后，我们引入两阶段扩散模型用于现实场景下的重构。通过将量化信号与真实分布紧密对齐，我们显著提升了合成样本的质量与保真度。在各种稀缺场景下与最新检测方法进行的比较评估表明，所提出的方法具有有效性。
引用
@article{arxiv.2507.18260,
title = {Exploiting Gaussian Agnostic Representation Learning with Diffusion Priors for Enhanced Infrared Small Target Detection},
author = {Junyao Li and Yahao Lu and Xingyuan Guo and Xiaoyu Xian and Tiantian Wang and Yukai Shi},
journal= {arXiv preprint arXiv:2507.18260},
year = {2025}
}
备注
Submitted to Neural Networks. We propose the Gaussian Group Squeezer, leveraging Gaussian sampling and compression with diffusion models for channel-based data augmentation