Ivan-ISTD：重新思考红外小目标检测中的跨域异方差噪声扰动
计算机视觉与模式识别
2025-10-15 v1 图像与视频处理
摘要
在多媒体领域，红外小目标检测 (ISTD) 在基于无人机的多模态感知中发挥着重要作用。为解决跨域迁移和异方差噪声扰动的双重挑战，我们提出了一个双向小波引导的 Invariance learning 框架 (Ivan-ISTD)。在第一个阶段，我们使用小波引导的跨域合成生成与目标域对齐的训练样本。该小波引导对齐机器通过多频率小波滤波准确分离目标背景。在第二个阶段，我们引入 Real-domain Noise Invariance Learning，从目标域提取真实噪声特征以构建动态噪声库。模型通过自监督 loss 学习噪声不变性，从而克服了传统人工噪声建模中分布偏差的局限性。最后，我们创建了 Dynamic-ISTD Benchmark，即一个跨域动态退化数据集，模拟在真实应用中遇到的分布迁移。此外，我们验证了该方法在其他真实数据集上的通用性。实验结果表明，我们的方法在许多定量指标上均优于现有最先进方法。特别是，Ivan-ISTD 在跨域场景中表现出卓越的鲁棒性。本工作的代码可在 https://github.com/nanjin1/Ivan-ISTD 查看。
引用
@article{arxiv.2510.12241,
title = {Ivan-ISTD: Rethinking Cross-domain Heteroscedastic Noise Perturbations in Infrared Small Target Detection},
author = {Yuehui Li and Yahao Lu and Haoyuan Wu and Sen Zhang and Liang Lin and Yukai Shi},
journal= {arXiv preprint arXiv:2510.12241},
year = {2025}
}
备注
In infrared small target detection, noise from different sensors can cause significant interference to performance. We propose a new dataset and a wavelet-guided Invariance learning framework(Ivan-ISTD) to emphasize this issue