基于不确定性掩码的伯努利扩散用于伪装物体检测细化
计算机视觉与模式识别
2025-06-13 v1
摘要
伪装物体检测(COD)因目标与背景之间的细微视觉差异而面临内在挑战。虽然现有方法取得了显著进展，但仍存在大量潜在的后处理细化尚未被充分探索。为解决这一局限，我们提出了不确定性掩码伯努利扩散(UMBD)模型，首个专为COD设计的生成式细化框架。UMBD引入不确定性引导的掩码机制，对分割质量较差的残余区域选择性地应用伯努利扩散，从而实现精准细化，同时保留正确分割的区域。为支持这一过程，我们设计了混合不确定性量化网络(HUQNet)，采用多分支架构融合来自多个来源的不确定性，以提高估计精度。这一能力在生成式采样过程中实现自适应引导。所提出的UMBD框架可无缝集成到广泛的现有编码器-解码器基于COD模型中，结合其判别能力与扩散-based细化的生成优势。广泛的实验在多个COD基准数据集上都表现出色，在MAE上平均提升5.5%，在加权F分数上提升3.2%，仅需 modest计算开销。代码将发布。
引用
@article{arxiv.2506.10712,
title = {Uncertainty-Masked Bernoulli Diffusion for Camouflaged Object Detection Refinement},
author = {Yuqi Shen and Fengyang Xiao and Sujie Hu and Youwei Pang and Yifan Pu and Chengyu Fang and Xiu Li and Chunming He},
journal= {arXiv preprint arXiv:2506.10712},
year = {2025}
}
备注
16 pages, 7 figures