目标不在本身，而在背景：通过深度无块低秩表示重新思考红外小目标检测
计算机视觉与模式识别
2025-12-30 v3
摘要
红外小目标检测（IRSTD）在复杂背景下仍是一个长期挑战，原因在于低信杂比（SCR）、多样的目标形态以及缺乏显著的视觉线索。虽然最近的深度学习方法旨在学习判别性表示，但小目标的内在变异性和弱先验往往导致性能不稳定。在本文中，我们提出了一种新型端到端 IRSTD 框架 LRRNet，利用红外图像背景的低秩特性。受杂乱场景物理可压缩性的启发，我们的方法采用压缩-重建-减法（CRS）范式，直接在图像域中建模结构感知的低秩背景表示，而不依赖基于块的处理或显式矩阵分解。据我们所知，这是首次以端到端方式使用深度神经网络直接学习低秩背景结构。在多个公开数据集上的广泛实验表明，LRRNet 在检测精度、鲁棒性和计算效率方面超越了 38 种最先进方法。值得注意的是，它以平均 82.34 FPS 的速度实现了实时性能。在具有挑战性的 NoisySIRST 数据集上的评估进一步证实了模型对传感器噪声的鲁棒性。源代码将在接收后公开发布。
引用
@article{arxiv.2506.10425,
title = {It's Not the Target, It's the Background: Rethinking Infrared Small Target Detection via Deep Patch-Free Low-Rank Representations},
author = {Guoyi Zhang and Guangsheng Xu and Siyang Chen and Han Wang and Xiaohu Zhang},
journal= {arXiv preprint arXiv:2506.10425},
year = {2025}
}
备注
Accept by IEEE Transactions on Geoscience and Remote Sensing