SeamCam：基于多线索视觉隐蔽性量化的无缝伪装
计算机视觉与模式识别
2026-05-19 v1 机器学习
摘要
动物被描述为能够与其周围环境无缝融合时才被视为有效伪装，但尚不存在标准化的无缝性量化度量。我们通过将伪装评估建模为视觉局化问题来弥补这一空白：即使知道动物类别，被良好伪装的动物仍难以被检测。我们引入SeamCam（Seamless Camouflage），用于量化动物从可用视觉证据中的可检测性。给定一个图像和目标物种，SeamCam生成类别条件检测提案，提取分割掩码，并识别其集合与真实掩码IoU最大值的子集。SeamCam得分为1减去该最大可恢复局化信号，其中得分越高表示伪装越强（即检测性越低）。在94名参与者、2390次比较的人类双-alternative强制选择研究中，SeamCam达到78.82%的人类伪装难度判断一致性，优于最新方法约25%。随后我们展示SeamCam作为Direct Preference Optimization（DPO）偏好信号，用于针对伪装生成微调基于扩散的填充模型。 这提供了一个成本可控的训练方法，目标明确适用于伪装生成，不同于典型扩散模型。为支持严谨的基准测试，我们进一步引入CamFG-1.5k，包含1521幅高分辨率图像，其中动物在伪装生成前完全可见，控制了现有数据集中存在的遮挡伪影，实现无偏评估。https://7amin.github.io/SeamCam/
引用
@article{arxiv.2605.16515,
title = {SeamCam: Quantifying Seamless Camouflage via Multi-Cue Visual Detectability},
author = {Amin Karimi Monsefi and Abolfazl Meyarian and Mridul Khurana and Shuheng Wang and Pouyan Navard and Cheng Zhang and Anuj Karpatne and Wei-Lun Chao and Rajiv Ramnath},
journal= {arXiv preprint arXiv:2605.16515},
year = {2026}
}