模态特定层次增强用于 RGB-D 伪装目标检测
计算机视觉与模式识别
2026-04-06 v1
摘要
伪装目标检测（COD）因目标与背景的高相似性而具有挑战性，近年来的方法通过互补利用 RGB-D 的纹理和几何线索来解决这一问题。然而，RGB-D COD 方法仍然未能充分利用模态特定线索，这限制了融合质量。我们认为这是因为 RGB 和深度特征在骨干网络提取后直接融合，而未进行模态特定增强。为解决这一局限，我们提出了 MHENet，一个 RGB-D COD 框架，对 RGB 和深度特征进行模态特定层次增强与自适应融合。具体而言，我们引入纹理层次增强模块（THEM）来通过提取高频信息放大细微纹理变化，以及几何层次增强模块（GHEM）来通过可学习梯度提取增强几何结构，同时保持跨尺度语义一致性。最后，自适应动态融合模块（ADFM）以空间变化权重自适应地融合增强后的纹理和几何特征。在四个基准数据集上的实验表明，MHENet 在定性和定量方面均超越了 16 种最先进方法。代码可在 https://github.com/afdsgh/MHENet 获取。
引用
@article{arxiv.2604.02935,
title = {Modality-Specific Hierarchical Enhancement for RGB-D Camouflaged Object Detection},
author = {Yuzhen Niu and Yangqing Wang and Ri Cheng and Fusheng Li and Rongshen Wang and Zhichen Yang},
journal= {arXiv preprint arXiv:2604.02935},
year = {2026}
}
备注
11 pages, 7 figures, including supplementary material. Accepted by IEEE ICME 2026