红外成像技术因其照明独立性和抗干扰能力,在军事侦察、安全监控[1]、工业检测[2]、图像融合[3][4][5]以及低光增强[6]等领域提供了关键的感知能力。然而,可靠地检测具有微弱特征的亚像素目标仍然是一个重要的感知瓶颈。这一挑战从根本上阻碍了依赖于精确环境感知的闭环决策和行动系统(如自动化威胁响应、智能导航)的鲁棒性和适应性。红外小目标检测(ISTD)任务在存在显著不确定性、噪声和动态干扰的情况下,构成了一个高风险的状态估计和信号提取问题。
早期的物理模型耦合方法(例如低秩稀疏分解(LSD)[7][8])类似于基于模型的控制器,依赖于显式的物理先验(系统识别)和迭代优化来实现目标分离。然而,它们的计算强度和对参数调整的敏感性限制了它们在动态变化的操作环境中的实用性。深度学习(DL)的出现带来了数据驱动的自适应控制器的希望。然而,主流的端到端DL架构(例如U-Net变体[9][10])通常表现为不透明的黑箱调节器。它们对复杂的全局特征聚合的依赖经常导致不稳定性,表现为高误报率和漏检。后续基于LSD的DL方法[11]采用了改进的系统模型(低秩+稀疏),但通常将分解视为固定的回归任务,缺乏根据场景变化进行在线模型调整或参数调整的能力。基于Transformer的模型[12][13]的O(N2)复杂度阻碍了实时处理,而过度平滑则抑制了微弱目标。扩散模型[14]的迭代细化(>100步)会导致过高的延迟和背景伪影。RNN[15]受到梯度衰减的影响,削弱了长期的时间连贯性。
深度展开网络(DUN)[16]标志着向可解释的控制设计迈出的重要一步。通过将迭代优化算法展开到神经网络层中,DUN明确构建了一个多阶段、可解释的反馈控制循环,有效地将模型驱动的洞察与数据驱动的学习相结合。关键的是,DUN的逐层结构与ISTD核心的交替优化策略具有内在兼容性。
然而,DUN的实际应用揭示了一些限制,阻碍了其在网络中的采用:(1)计算复杂性:其展开结构中固有的固定矩阵运算会导致显著的、通常是非线性的计算开销,特别是在高分辨率图像或嵌入式平台上,阻碍了实时处理。(2)表示效果不佳:现有的参数学习策略往往无法充分模拟复杂红外场景中的内在空间相关性,导致正则化效果不佳。这需要复杂的调整,并削弱了它们对不同背景杂乱和目标特征的适应性和鲁棒性,表现为检测性能不稳定(高误报率和漏检)。
专家混合(MoE)[17]范式作为一个有前景的框架出现,可以直接解决这些瓶颈。MoE用一组动态的专用子网络(专家)和一个智能门控网络替代了单一的处理方式。MoE相对于DUN有两个关键优势:(1)通过稀疏激活实现自适应计算:门控网络仅将输入动态路由到最相关的专家,使得计算能够随着输入复杂性的增加而高效扩展。(2)增强表示:通过将专家专门用于任务的特定方面,MoE促进了更专注和有效的复杂特征分布建模,提高了鲁棒性,并减少了复杂调整的需求。
基于MoE的自适应控制原理,我们提出了双几何引导专家网络(DGGENet,如图2所示),专门设计用于克服先前ISTD方法的局限性,包括DUN和早期的基于RPCA的方法。DGGENet的核心创新是目标-背景解耦模块(TBDM),它实现了为ISTD量身定制的MoE架构:
基于物理的动态路由用于稀疏分解:TBDM采用红外物理信息驱动的选择路由器作为自适应门控机制。与通用的MoE门控不同,这些路由器通过显式量化红外场景中的空间分布差异和语义显著性来动态分析输入特征。这种基于物理的在线分析实现了稳健的特征通道划分,将特征路由到两个专门且互补的专家子空间:一个以背景为主导的专家和一个以目标为主导的专家。这种在特征层面的显式解耦是基础。子空间特定的RPCA优化:在每个专家子空间(背景或目标)内,基于RPCA的特征解耦机制作为专用子控制器。RPCA优化利用了物理引导路由器建立的强子空间先验。以背景为主的专家更有效地促进了低秩结构;以目标为主的专家则专注于其子空间内的稀疏残差,实现了更精细的目标提取。这种受子空间约束的协作优化比全局应用RPCA或在结构较少的网络中应用RPCA要高效和准确得多。通过状态空间模型(SSM)进行的状态反馈:基于SSM的交叉融合模块作为专家之间的自适应反馈控制器。它接收来自两个专家的优化状态估计(精炼后的背景和目标表示)。与标准MoE中的简单输出组合不同,该模块明确模拟了这两种状态之间的相关性和依赖性(例如,确保目标相对于重构的背景是稀疏的异常值)。通过SSM内部反馈促进的语义一致交互,该模块强制实现了最终检测输出的全局一致性和稳定性,有效缓解了黑箱模型中常见的不稳定性(误报/漏检)。
基于实现任务专用MoE的TBDM模块,结合了基于物理的路由、子空间优化的RPCA和基于SSM的状态反馈,DGGENet采用了五层对称的编码器-解码器结构,作为整体处理框架。
扩散模型和深度展开网络通常依赖于外部迭代细化,需要T_s个顺序步骤;因此,推理成本大致与T_s成线性关系,当需要许多步骤时可能会阻碍部署。相比之下,DGGENet执行单次推理:MoE路由鼓励目标/背景的专门化,而SSM在一个前向传递中模拟了全局依赖性。尽管SSM增加了每层的适度开销,但它避免了累积的迭代成本,并且产生的延迟可预测,主要由固定的网络深度决定。
与最先进(SOTA)算法的视觉比较如图1(a)所示。x轴和y轴分别代表IRSTD-1k和NUDT-SIRST数据集上的mIoU指标。每个圆的大小对应于模型的参数。具体来说,许多高性能架构(例如重型CNN/Transformer混合体)倾向于增加网络深度/宽度,以同时适应弱目标和复杂背景,这通常会导致参数和计算量的大幅增长。相比之下,我们基于MoE的路由明确鼓励专门化,从而可以在不 proportional 增加模型深度的情况下实现竞争性的准确性。
本文的主要贡献如下:
• 提出了一种端到端的ISTD模型DGGENet,结合了红外物理原理和基于几何的深度特征。
• 提出了TBDM,通过通道路由、RPCA专家和交叉融合实现了自适应的子空间分离和融合。
• 广泛的实验表明,DGGENet超过了SOTA指标,而TBDM作为一个通用组件,提升了现有ISTD方法的性能。