arXiv cs.AI· Tianfang Zhang, Lei Li, Chang Liu, Zhenming Peng, Huaping Zhang, Xiangyang Ji·· 2 天前AI 评分22
LCPNet：面向红外小目标检测的潜在一致近端展开网络
LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection
AI 导读
研究者提出 LCPNet，一种在潜在空间进行展开的红外小目标检测网络，验证了低秩先验在潜在表示中依然有效，避免中间状态反复压缩。其 Latent Consistent Proximal 求解器让每个潜在变量从上一状态演化，并通过任务自适应归一化与增益控制稳定小目标更新；Shared Optimization Memory 为各分解变量提供跨阶段协同引导。
正文 · AI 翻译
摘要：红外小目标检测（IRSTD）旨在从复杂红外背景中识别远距离小目标，是遥感领域的一项基础任务。深度学习方法通过学习具有判别性的图像到掩码映射改进了 IRSTD，但此类前馈设计往往未能充分利用目标与背景之间的物理分解结构。深度展开方法通过将模型驱动的迭代嵌入神经网络，部分解决了这一问题，但现有设计仍主要在图像域中运行，且所使用的更新与记忆机制未与底层优化过程完全耦合。为解决这些局限，我们提出了潜在一致近端展开网络（LCPNet）。首先，我们验证了低秩先验在潜在表示中依然有效，并在该空间中进行展开，从而在保留物理约束的同时避免对中间状态的重复压缩。其次，我们推导出潜在一致近端（LCP）求解器，使每个潜在变量从其先前状态演化，而非通过间接残差进行重构，并通过任务自适应归一化和增益控制稳定小目标更新。第三，我们引入了共享优化记忆（SOM），即所有分解变量共享的公共历史状态，以在展开阶段之间提供协调指导。在四个公开基准上的大量实验表明，LCPNet 实现了准确且鲁棒的检测，误报率低，同时在高精度深度展开方法中具有有竞争力的效率。模型和代码可在模型和代码可在 此 https URL 获取。
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2607.04603 [cs.CV] |
| （或 arXiv:2607.04603v3 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2607.04603 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Tianfang Zhang [查看电子邮件]
[v1]
2026年7月6日星期一 02:15:09 UTC（21,910 KB）
[v2]
2026年8月3日星期一 06:30:55 UTC（21,911 KB）
[v3]
2026年10月15日星期四 08:05:59 UTC（21,916 KB）
来源：arXiv cs.AI · arxiv.org