伪装的构建与破解

并非所有伪装都同样有效，因为即便是部分可见的轮廓或轻微的颜色差异也会使动物凸显并破坏其伪装。在本文中，我们通过提出三个用于自动评估伪装有效性的分数，探讨是什么成就成功的伪装。特别地，我们表明伪装可由背景与前景特征的相似度以及边界可见性来度量。我们利用这些伪装分数评估并比较所有可用的伪装数据集。我们还将提出的伪装分数作为辅助损失整合进生成模型，并展示可以可扩展的方式合成有效的伪装图像或视频。所生成的合成数据集用于训练一个基于 Transformer 的模型，以分割视频中伪装的动物。实验上，我们在公开 MoCA-Mask 基准上展示了最先进的伪装破解性能。