揭示伪装：用于伪装物体检测和实例分割的可学习傅里叶增强
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
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
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
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
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
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
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