在计算机视觉中，把伪装目标检测（Camouflaged Object Detection，COD）视为基于扩散模型的条件掩蔽生成任务，提出了一种名为 CamoDiffusion 的方法，它使用扩散模型的去噪过程来迭代地减少掩蔽的噪声，其随机采样的过程使得其模型能够从掩蔽分布中采样多个可能的预测，避免了过分预测错误的问题，该文的实验表明，与现有最先进的方法相比，在三个 COD 数据集上，特别是在最具挑战性的 COD10K 数据集上，我们的方法达到了 0.019 的 MAE（平均绝对误差），表现出优越的性能。

May, 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

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

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

Camouflaged object detection faces challenges, and this research proposes an adversarial training framework, Camouflageator, to generate more camouflaged objects and improve the detection. They also introduce ICEG, a novel COD method that utilizes internal coherence and edge guidance for better segmentation results. Experimental results show that ICEG outperforms existing detectors, and Camouflageator is flexible in improving various COD detectors, achieving state-of-the-art COD performance.

Aug, 2023

通过结合文本到图像扩散技术和开放词汇，我们提出了一种解决计算机视觉中伪装实例分割问题的方法，该方法利用跨领域的文本 - 视觉特征学习来区分复杂背景中伪装对象，实验证明了该方法相较于现有方法的优势。

Dec, 2023

本文提出了自适应引导学习网络（AGLNet），它是一种统一的可学习模型，用于在 CNN 模型中探索和调整不同的附加线索，以引导准确的伪装特征学习，并在不同的附加线索下实现了显著的性能改进。

May, 2024

通过数据级矛盾建模和任务级矛盾建模，引入不确定性感知学习流程，从而在突显物体检测和伪装物体检测任务中充分探索矛盾信息。为了更好地理解这两个任务的不确定性，我们广泛研究了不确定性估计技术，以实现对每个任务的困难区域进行有效估计和学习。实验结果表明，我们的解决方案在基准数据集上取得了最先进的性能和有意义的不确定性估计。

Jul, 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

该论文提出了一种利用对立信息来增强视觉显著目标检测和迷彩目标检测能力的新模式，实现了基于对立性空间的性质模块的相似度测量和网络置信度估计。

Apr, 2021