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

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

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

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

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

本文提出了一种新颖的上下文感知交叉级融合网络（C2F-Net），可以解决伪装对象检测（COD）任务。C2F-Net 采用注意力引导的跨级融合模块（ACFM）和双分支全局上下文模块（DGCM）进行高层特征处理，并在三个广泛使用的基准数据集上进行了大量实验，实验结果表明我们的模型优于现有的最先进模型。

May, 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

本研究提出了针对被隐藏物体的检测任务，提供了名为 COD10K 的大型数据集，涵盖 78 个物体类别的 10,000 个来自不同真实场景的图像，并提供了详细的注释。其中，Search Identification Network（SINet）是一种简单但强大的基线用于 COD，并在测试的所有数据集上击败了 12 个前沿基线。

Feb, 2021

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