RUN：可逆展开网络用于隐蔽目标分割

现有的隐蔽目标分割（COS）方法经常利用可逆策略来解决不确定区域，但这些方法通常仅限于掩码领域，未充分探索RGB领域的潜力。为此，我们提出了可逆展开网络（RUN），通过一个理论上得到严格论证的框架，在掩码和RGB两个领域同时应用可逆策略，从而实现精确分割。RUN首先通过引入额外的稀疏残差约束来最小化分割不确定性，构建出一种新颖的COS模型。该模型的迭代优化步骤随后被展开为多阶段网络，每一步对应一个阶段。RUN的每个阶段由两个可逆模块组成：面向分割的前景分离（SOFS）模块和面向重建的背景提取（ROBE）模块。SOFS在掩码层面应用可逆策略，并引入可逆状态空间来捕获非局部信息。ROBE将其扩展到RGB领域，利用重建网络解决前景和背景区域的冲突，这些区域被识别为易产生误差的区域，因为它们是由独立模块分别估计得到的。随着阶段的推进，RUN逐步实现了在掩码和RGB两个领域对前景和背景进行可逆建模，引导网络关注不确定区域，从而减轻误报和漏报的结果。广泛的实验表明，RUN的性能优异，并凸显了基于展开框架在COS以及其他高层视觉任务中的潜力。我们将发布代码和模型。