RIDE：基于Retinex理论的解耦方法以暴露隐蔽物体
计算机视觉与模式识别
2026-05-18 v1 人工智能
机器学习
摘要
隐蔽物体分割（COS）涵盖一系列密集预测任务，包括伪装物体检测、多发性病灶分割、透明物体检测和工业缺陷检测，其中目标通过不同的物理机制与其周围环境视觉上纠缠。现有方法要么直接作用于RGB图像，要么采用\emph{异构}分解（如傅里叶、小波），这些方法在尺度/频率系数上重新分配空间证据，使得像素对齐线索不够直接。我们提出一种根本不同的视角：通过Retinex理论实现\textbf{均匀图像分解}，将图像在\emph{同一}空间域中分解为照明和反射率成分。我们的关键洞察是，视觉纠缠在复合空间内强制进行外观匹配，但这\emph{不必然}要求在两个分量空间中同时匹配，我们将这种现象形式化为\textbf{判别性间隙定理}。关键的是，我们表明在各种COS子任务中，底层物理过程系统性地在照明和反射率差异之间呈反相关，导致Retinex分解在整个物理范畴内保留或严格改善前景-背景判别性，反相关可最大化增益。基于此，我们提出\textbf{RIDE}，包括：(i) 任务驱动Retinex分解模块，通过端到端学习分解最佳因子化；(ii) 判别性间隙注意力机制，以适应性方式利用分解有益之处；(iii) 在反射率特征空间上的伪装破坏对比损失。
引用
@article{arxiv.2605.15450,
title = {RIDE: Retinex-Informed Decoupling for Exposing Concealed Objects},
author = {Chunming He and Rihan Zhang and Dingming Zhang and Chengyu Fang and Longxiang Tang and Jingjia Feng and Fengyang Xiao and Sina Farsiu},
journal= {arXiv preprint arXiv:2605.15450},
year = {2026}
}