用于伪装感知测试时自适应的层次一致性学习
计算机视觉与模式识别
2026-05-26 v1
摘要
伪装目标检测 (COD) 旨在通过物理属性定位与背景具有最小感知差异的目标。现有方法受限于静态的“先训练后冻结”范式，存在领域刚性和标注依赖性问题，限制了其对场景变化和未见过的伪装模式的适应性。为克服这些问题，我们提出了层次一致性学习 (HCL) 框架，该框架集成了测试时自适应以实现动态表示重校准。具体而言，我们设计了层次表示重建 (HRR)，通过协同空间重建与双流频域分解来缓解特征纠缠，增强对表观同质化的鲁棒性。像素和频谱推理提供了结构和上下文先验。我们进一步引入了任务亲和性引导 (TAG)，通过通道级亲和性在分支间传播知识，对齐局部判别线索并缓解语义漂移。为确保语义不变性，我们制定了原型一致性校准 (PCC)，将区域特征聚合成紧凑原型并建立原型-特征相似性。这施加了隐式和层次化的约束，弥合了任务与表示之间的差距。在四个伪装目标基准和四个水下目标基准上，针对三种退化设置进行的广泛实验表明，我们的方法在分布偏移下始终优于最先进的方法，突显了其鲁棒性和泛化能力。
引用
@article{arxiv.2605.25651,
title = {Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception},
author = {Mingfeng Zha and Tianyu Li and Guoqing Wang and Yunqiang Pei and Chaofan Qiao and Jiening Zhang and Yang Yang and Heng Tao Shen},
journal= {arXiv preprint arXiv:2605.25651},
year = {2026}
}