本文提出了一种基于人眼视觉感知的三阶段模型，它可以在单次迭代中进行粗到细的分割，并采用了多尺度特征增强和边界增强模块。此外，还使用了掩码引导并结合了粗略预测图与高分辨率特征图来生成细致的结果。我们的网络表现优于现有 CNN 模型，降低了计算开销并减轻了背景噪声干扰。

May, 2023

我们提出了一种新颖的 “预训练、适应和检测” 方法，通过引入大型预训练模型，将从大量多模态数据中学习到的丰富知识直接转移到伪装对象检测任务中，使用轻量级并行适配器调整下游伪装对象检测任务的特征，通过在源任务上进行多任务适配器初始化和在目标任务上进行多任务调整，显著提高了我们模型的泛化能力。

Jul, 2023

提出了一个框架，利用生成模型合成伪装图像以增强自然场景中伪装物体的检测能力。该方法利用一个伪装环境生成器和伪装分布分类器来合成伪装图像，并通过生成模型扩展数据集。实验证明该框架在改善伪装物体检测方面优于现有方法，并为现有伪装数据集引入更多多样性和分布。

Aug, 2023

提出了一种名为 CoFiNet 的新方法，专注于多尺度特征融合与提取，通过细节特征的有效分割来提高其对伪装对象的检测能力，同时采用粗到细的策略、多尺度特征集成模块、多激活选择核模块和双掩模策略等技术手段，在四个不同数据集上进行了全面实验，证明了 CoFiNet 在伪装对象检测方面的出色性能和广泛应用潜力。

Feb, 2024

本研究提出了一种新的特征融合和多干扰物注视的网络，用于解决融入环境中的伪装目标检测问题，并通过自行构建的 ACOD2K 数据集验证其性能。

Jul, 2023

本研究提出了一种基于扩散的伪装目标检测框架（diffCOD），该框架将伪装目标分割任务视为从噪声掩码到目标掩码的去噪扩散过程，并采用模型学习来逆转这一噪声处理过程。通过将输入图像先验编码和集成到去噪扩散模型中来加强去噪学习，同时使用注入注意力模块（IAM）通过交叉注意机制将从图像中提取的条件语义特征与扩散噪声嵌入相互作用以增强去噪学习。实验结果表明，在四个广泛使用的伪装目标检测基准数据集上，该方法相较于其他 11 种最先进的方法，尤其在伪装目标的纹理细分割上取得了有利的性能。

Aug, 2023

该论文提出了一种基于 AI-Generated Content 的 CamDiff 方法，利用 latent diffusion model 综合伪装场景中的显著物体来生成更具有代表性的伪装样本，其结果表明，该方法能够吸引用户的关注并对现有的 COD 模型提出更大的挑战。

Apr, 2023

本文提出了一种新颖的深度感知注意力融合网络，利用深度图作为辅助输入，增强网络感知三维信息的能力，从而改善伪装物体检测。通过使用特定的编码器提取色彩和深度信息，并引入深度加权的交叉注意力融合模块来动态调整深度和 RGB 特征图的融合权重。最后，采用简单而有效的特征聚合解码器自适应地融合改进的聚合特征。实验表明，我们提出的方法在伪装物体检测方面具有显著的优势，进一步验证了深度信息在其中的贡献。

May, 2024

通过频域中的可学习增强方法（Camouflage Fourier），我们的研究旨在改善隐形物体检测和分割模型的性能，通过增加训练数据的规模和多样性，揭示隐形物体的结构并提高检测和分割能力。

Aug, 2023

通过在频域中在频域中使用可学习和可分离的频率感知机制，我们提出了一种能够在众多具有挑战性场景中准确检测到隐藏对象的方法，该方法包括频率引导的粗定位阶段和保持细节的精细定位阶段，并通过多级特征提取、优先引导校正和跨层特征通道关联等步骤实现校正和定位。与现有模型相比，我们提出的方法在三个流行的基准数据集上在定性和定量方面取得了有竞争力的性能。

Aug, 2023