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

本文介绍一种用于伪装物体检测的深度卷积神经网络，通过使用多个纹理感知优化模块来放大伪装物体和背景之间的微小纹理差异，其中纹理感知优化模块计算特征响应的协方差矩阵来提取纹理信息，采用亲和力损失和边缘一致性损失来分离伪装物体和背景之间的纹理，并通过实验结果验证了该方法的有效性。

Feb, 2021

我们提出了一种边界引导网络（BGNet）来进行伪装目标检测，该方法在三个数据集上都比现有技术高出很多，并利用边缘语义来引导特征学习，从而促进精确边界定位的伪装目标检测。

Jul, 2022

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

本研究通过建立 Rank-Net 模型，结合 camouflaged object detection 技术和 conspicuousness 的概念，来探讨动物进化中的 Camouflage 技术，并提出一个可以定位、分割和排名 Camouflaged 目标的方法。实验结果表明，该模型取得了新的最先进水平，使 Camouflaged 目标的检测更具可解释性。

Mar, 2021

设计了一种计算机体系结构，利用运动信息进行物体分割以发现视频中的伪装对象，并在大规模的 MoCA 视频数据集上证明了其有效性。

Nov, 2020

本文针对计算机视觉中的新颖而具有挑战性的课题 —— 伪装物体的检测和分割，提出了一种新的 few-shot learning 方法，包括构建 CAMO-FS 数据集、提出实例三元组损失和实例内存存储等，最终在新构建的数据集上实现了业内最佳的检测和分割性能。

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

本文提出了一种新颖的仿生网络 MirrorNet，利用实例分割和镜像流进行伪装物体分割，具有两个分割流：主流和镜像流，通过对主流结果与镜像流结果的融合，提高了伪装物体分割的精度，在公共 CAMO 数据集上的实验证明了其有效性，本文所提出的方法在准确率方面达到了 89％，优于现有技术。

Jul, 2020

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