面向现实隐蔽物体分割的嵌套展开网络

深度展开网络（DUN）最近通过将分割建模为前景-背景分离来推进隐蔽物体分割（COS）。然而，现有的DUN-based方法（RUN）本质上将背景估计与图像修复耦合，导致目标冲突，要求预定义退化类型，这在现实场景中不切实际。为此，我们提出了嵌套展开网络（NUN），用于现实COS。NUN采用DUN-in-DUN设计，在分割导向的展开网络（SODUN）的每个阶段中嵌入退化抗性展开网络（DeRUN）。这种设计在允许相互细化的同时，将恢复与分割分离。受视觉-语言模型（VLM）指导，DeRUN动态推断退化语义并在无显式先验条件下恢复高质量图像，而SODUN执行可逆估计以细化前景和背景。利用展开的多阶段性质，NUN采用图像质量评估来选择最佳DeRUN输出用于后续阶段，自然引入自洽损失以增强鲁棒性。广泛的实验表明，NUN在干净和退化基准测试中取得领先位置。代码将在发布。