探索端到端特征亲和力传播用于红外小目标检测的极限——基于单点监督

单点监督红外小目标检测（IRSTD）大幅降低了稠密标注成本。当前最先进（SOTA）方法通过显式、离线的伪标签构建（如多阶段主动学习和物理驱动的掩码生成）实现高精度。在本文中，我们研究一种极简替代方案：通过基于点锚的特征亲和力在批内在线生成点到掩码的监督信号。我们将该范式实现为GSACP（特征亲和力传播），它是一个端到端的测试平台，直接利用由局部图像先验条件限制的硬间隔特征亲和门控，完全消除外部标签演化循环。这种紧凑设计暴露了优化瓶颈：由于亲和目标来自于正在优化的同一特征表示，训练形成自我参考环路。我们理论上将其形式化为“自我参考传播漂移”，这是一种表示-监督相互缠结，可能加强真实边界或扭曲特征空间以满足自身目标。为系统性地隔离这些失效模式，我们应用了跨越局部EMA教师解耦、硬背景对比分离和自适应支持几何的单变量消除实验。在SIRST3数据集上，GSACP-Final建立了新的超低误报运行 regime，实现了高度竞争的$0.6674$ mIoU，同时相较于PAL实现了$38\%$的相对误报减少（$\mathrm{Fa}$）。通过系统性地解构端到端范式，我们绘制了其性能边界，表明批内特征传播为在误报抑制至关重要的部署场景提供了紧凑替代方案。