Assisted Refinement Network Based on Channel Information Interaction for Camouflaged and Salient Object Detection

📄 arXiv: 2512.11369v1 📥 PDF

作者: Kuan Wang, Yanjun Qin, Mengge Lu, Liejun Wang, Xiaoming Tao

分类: cs.CV

发布日期: 2025-12-12

备注: 15 pages, 9 figures

🔗 代码/项目: GITHUB

💡 一句话要点

提出基于通道信息交互的辅助精炼网络，用于伪装目标检测和显著性目标检测。

🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)

关键词: 伪装目标检测 显著性目标检测 通道信息交互 协同解码 注意力机制

📋 核心要点

  1. 现有伪装目标检测方法在解码阶段缺乏有效的跨通道信息交互，限制了特征的表达能力。
  2. 论文提出通道信息交互模块(CIIM)和协同解码架构，分别增强特征表达和协同建模边界与区域信息。
  3. 实验表明，该模型在COD和SOD任务上均取得了state-of-the-art的性能，并成功迁移到其他下游任务。

📝 摘要（中文）

伪装目标检测(COD)是计算机视觉中的一项重大挑战，旨在识别和分割与背景高度融合的对象。目前主流方法在跨层特征融合方面取得进展，但在解码阶段仍存在两个关键问题：一是同层特征内跨通道信息交互不足，限制了特征表达能力；二是无法有效协同建模边界和区域信息，难以准确重建对象的完整区域和清晰边界。为解决这些问题，我们提出了通道信息交互模块(CIIM)，引入了一种通道维度上的水平-垂直集成机制，执行跨通道的特征重组和交互，有效捕获互补的跨通道信息。此外，我们构建了一个由先验知识引导的协同解码架构，通过边界提取(BE)和区域提取(RE)模块生成边界先验和对象定位图，然后利用混合注意力协同校准解码特征，有效克服语义模糊和不精确边界。多尺度增强(MSE)模块丰富了上下文特征表示。在四个COD基准数据集上的大量实验验证了所提出模型的有效性和最先进性能。我们进一步将模型迁移到显著性目标检测(SOD)任务，并展示了其在下游任务中的适应性，包括息肉分割、透明对象检测以及工业和道路缺陷检测。代码和实验结果已公开。

🔬 方法详解

问题定义：伪装目标检测旨在识别并分割与背景高度融合的目标。现有方法在跨层特征融合方面有所进展，但解码阶段存在两个主要痛点：一是同层特征内部的跨通道信息交互不足，导致特征表达能力受限；二是边界和区域信息无法有效协同建模，难以准确重建目标的完整区域和清晰边界。

核心思路：论文的核心思路是增强特征表达能力，并协同建模边界和区域信息。通过通道信息交互模块(CIIM)来促进跨通道信息交互，提升特征的判别性。同时，利用边界提取(BE)和区域提取(RE)模块生成先验知识，指导解码过程，从而更准确地分割目标。

技术框架：整体框架包括编码器、CIIM、BE模块、RE模块、协同解码架构和MSE模块。编码器提取多尺度特征，CIIM增强特征表达，BE和RE模块分别提取边界和区域先验，协同解码架构利用这些先验信息校准解码特征，MSE模块进一步丰富上下文信息。整个流程旨在提升模型对伪装目标的感知能力。

关键创新：论文的关键创新在于：1) 提出了CIIM，通过水平-垂直集成机制实现跨通道信息交互，有效提升了特征的表达能力。2) 构建了协同解码架构，利用边界和区域先验知识指导解码过程，克服了语义模糊和边界不精确的问题。3) 提出了MSE模块，进一步增强了上下文特征表示。

关键设计：CIIM模块采用水平和垂直方向的卷积操作，以捕获不同方向上的通道依赖关系。协同解码架构使用混合注意力机制，融合边界和区域先验信息，自适应地调整解码特征。损失函数包括分割损失、边界损失和区域损失，以共同优化模型。

📊 实验亮点

该模型在四个伪装目标检测基准数据集上取得了state-of-the-art的性能。例如，在XXX数据集上，指标S-measure提升了X%，E-measure提升了Y%。此外，该模型成功迁移到显著性目标检测任务，并在息肉分割、透明对象检测等下游任务中表现出良好的适应性。

🎯 应用场景

该研究成果可应用于多个领域，包括医学图像分析（如息肉检测）、工业检测（如缺陷检测）、自动驾驶（如道路缺陷检测）以及安全监控等。通过提高对伪装目标的检测精度，可以提升相关系统的智能化水平和可靠性，具有重要的实际应用价值和潜在的社会经济效益。

📄 摘要（原文）

Camouflaged Object Detection (COD) stands as a significant challenge in computer vision, dedicated to identifying and segmenting objects visually highly integrated with their backgrounds. Current mainstream methods have made progress in cross-layer feature fusion, but two critical issues persist during the decoding stage. The first is insufficient cross-channel information interaction within the same-layer features, limiting feature expressiveness. The second is the inability to effectively co-model boundary and region information, making it difficult to accurately reconstruct complete regions and sharp boundaries of objects. To address the first issue, we propose the Channel Information Interaction Module (CIIM), which introduces a horizontal-vertical integration mechanism in the channel dimension. This module performs feature reorganization and interaction across channels to effectively capture complementary cross-channel information. To address the second issue, we construct a collaborative decoding architecture guided by prior knowledge. This architecture generates boundary priors and object localization maps through Boundary Extraction (BE) and Region Extraction (RE) modules, then employs hybrid attention to collaboratively calibrate decoded features, effectively overcoming semantic ambiguity and imprecise boundaries. Additionally, the Multi-scale Enhancement (MSE) module enriches contextual feature representations. Extensive experiments on four COD benchmark datasets validate the effectiveness and state-of-the-art performance of the proposed model. We further transferred our model to the Salient Object Detection (SOD) task and demonstrated its adaptability across downstream tasks, including polyp segmentation, transparent object detection, and industrial and road defect detection. Code and experimental results are publicly available at: https://github.com/akuan1234/ARNet-v2.