HVPNet：一种受生物启发的通用显著目标与伪装目标检测网络

《Neural Networks》：HVPNet: A Bio-Inspired Network for General Salient and Camouflaged Object Detection

　　徐嘉伟|周强强|李周平|石彦娇|易宇根|余佳聪•RIM通过多阶段多模态融合提升SOD/COD性能。•CD是一种受大脑皮层启发的解码器，专为RIM设计。•HVPNet将生物启发式融合与可解释的解码相结合。在22个数据集、7项任务上的性能处于领先水平，且参数量和浮点运算量显著更低。

引言
显著物体检测（SOD）和伪装物体检测（COD）长期以来一直是计算机视觉领域的核心研究课题（Luo等人，2024年）。SOD旨在模拟人类视觉系统，精准定位图像中最引人注目的物体；而COD则侧重于识别那些与周围环境高度融合、难以被人类视觉察觉的物体。这两项任务在视频监控（Lysova，2025年）、智能安全系统（Yu等人，2023年）、物体跟踪（Zou等人，2023年）以及视频摘要生成（Apostolidis等人，2021年）等实际应用中发挥着重要作用。随着深度学习的快速发展，SOD和COD的研究取得了显著进展。为更好地适应各种现实场景，研究人员将这些任务扩展到多种多模态环境中，包括RGB SOD、RGB COD、RGB-D SOD、RGB-D COD、RGB-T SOD，以及视频显著物体检测（VSOD）和视频伪装物体检测（VCOD）。

近年来，视觉Transformer的快速发展显著提升了SOD和COD的性能。然而如图1所示，许多现有方法（Chen等人，2024a年；Fang等人，2024年；Gao等人，2024年；Wang等人，2024年；Wen等人，2023年；Wu等人，2023年；Xu等人，2025年；Yin等人，2024年；Zhu等人，2025年）仍然采用“重度特征提取、重度融合、重度解码”的架构模式。这些方法通常使用复杂的底层结构、同质化的融合模块以及繁琐的解码结构，从而导致巨大的计算开销。例如，CATNet（Sun等人，2023年）采用了基于注意力的特征增强、跨模态融合以及级联校正解码技术，但其参数量高达2.626亿，浮点运算量达314.8吉次。同样，CPNet（Hu等人，2024年）使用了跨模态注意力融合模块和渐进式解码器，参数量为2.165亿，浮点运算量为129.3吉次。这种庞大的架构不仅大幅增加了计算成本，还往往忽视了不同层级特征之间的差异，导致实际检测性能受到限制。这就引出了一个问题：这些复杂的结构真的有必要吗？与这种冗余的计算方式相比，人类视觉系统在处理复杂感知任务时依赖于简洁高效的机制。这一对比促使我们思考：能否从人类视觉处理过程获得灵感，设计出更简单的建模策略，同时实现准确高效的物体检测？

为回答上述问题，本文试图探索一种“轻量级特征提取、层级化简单融合、分层解码”的网络架构，旨在从根本上打破现有的“重度特征提取、重度融合、重度解码”模式。具体而言，我们从结构化多层级线索协调的角度重新审视显著物体检测和伪装物体检测，认为有选择地组织语义信息和细节信息比采用统一的繁重处理方式更为有效。HVPNet并非通过增加架构复杂性来追求微小的性能提升，而是旨在优化精度与计算效率之间的平衡。通过将生物启发式概念转化为层级化的轻量级操作，HVPNet在保持竞争力强的检测性能的同时，将参数量和浮点运算量降低了约90%，远低于许多复杂的同类模型。具体来说，我们提出了HVPNet——一种用于一般显著物体检测和伪装物体检测的简单而有效的网络。HVPNet并不试图在神经生理层面进行直接模拟，而是从人类视觉处理机制中获得概念灵感。通过将视网膜的多层整合机制和大脑皮层的分层处理概念转化为轻量级的神经网络操作，HVPNet能够有效选择性地组织语义信息和细节信息，在大幅减少参数量和浮点运算量的同时，依然保持出色的检测性能。

在人类视觉感知过程中，视网膜并非单纯的被动光转换器官，而是一个高度智能的微神经网络（Gollisch和Meister，2010年）。它拥有经典的三层神经回路（包括感光细胞、双极细胞和神经节细胞），能够实现多尺度、多层级、多细粒度的空间信息整合（Van Essen等人，1992年）。视网膜执行从光转换和局部对比度增强到空间结构提取以及并行特征通道编码的分层处理，最终为大脑皮层提供结构化的信息表示。基于“分层、多粒度信息整合”的理念，我们设计了视网膜整合模块（RIM）。与那些盲目在所有层级上应用复杂且统一的融合操作的现有方法不同，RIM充分利用底层结构提取的多尺度特征，针对高级特征、中级特征和低级特征分别采用三种固定且结构简化的整合策略。这一设计在概念上反映了视网膜三阶段电路的功能映射，逐步将空间细节和语义线索整合为统一的多层级表示。例如，RIM并非在所有地方都使用复杂的全局注意力机制，而是通过将特定操作与不同特征层级的独特空间和语义特性相匹配，实现结构化的多层级线索协调。更重要的是，这些层级化的简单整合策略在模型容量方面与轻量级底层结构具有很高的兼容性。通常，复杂的底层结构会生成庞大而复杂的特征空间；如果直接在其后添加简单的融合模块，由于特征复杂度和融合简单度不匹配，往往会导致过拟合。相反，轻量级底层结构提取的特征表示更为紧凑，可以通过我们的三阶段简单策略高效整合。这种协同设计有效避免了传统方法中的计算冗余，从架构层面解释了HVPNet为何能同时实现高效率和高性能。

一旦视觉信号经过视网膜的预处理和整合，就会传递到大脑并经过分层处理。初级视觉皮层（V1）首先解码边缘和轮廓等基本视觉元素（Zhang等人，2022年）。随后，这些信息会被传输到更高层次的脑区（如V2、V4和IT区）进行复杂的语义整合（Shao等人，2024年）。受这种高效的从粗到细的处理流程启发，我们设计了皮层解码器（CD）。我们将解码过程分为两个部分：初级视觉解码和高级视觉解码（Wu等人，2019年）。初级视觉解码专注于解析边缘和轮廓等基本视觉特征，精细优化细节表示；而高级视觉解码则处理更复杂、更抽象的信息，确保语义表示的准确组织。通过采用这种分层解码策略，我们在概念上再现了大脑从粗到细的视觉处理流程，从而在不引入冗余的密集解码器的情况下，实现更高效的图像理解。

总结
我们的主要贡献如下：
•我们从结构化多层级线索协调的角度重新审视显著物体检测和伪装物体检测，指出有选择地组织语义信息和细节信息比采用统一的繁重处理方式更为有效。
•我们提出了HVPNet，这是一种用于一般显著物体检测和伪装物体检测的简单而有效的框架，它将分阶段的生物视觉概念转化为高效的计算架构。
•在该框架下，我们设计了视网膜整合模块（RIM）和皮层解码器（CD），二者在紧凑的架构中协同增强多层级特征之间的交互以及逐步的预测恢复能力。
•在22个公开数据集、7项任务上的广泛测试表明，HVPNet在精度与效率之间取得了更好的平衡，在显著降低计算成本的同时仍保持出色的性能。

章节摘录
显著物体检测
早期关于显著物体检测（SOD）的研究主要集中在单一的RGB模态上，主要研究方向包括多层级融合方法（Liu等人，2023a年；Yin和Lin，2025年；Zhou等人，2024年；Zhuge等人，2023年），以及一些循环模型（Liu等人，2021年；Wang等人，2023年；Xu等人，2026年；Yang等人，2013年；Yun和Lin，2023年）。随着技术的发展，深度信息和热成像等辅助模态信息也变得越来越容易获取。

提出的方法
如图2所示，HVPNet的架构由编码器、视网膜整合模块（RIM）和皮层解码器（CD）组成。首先，编码器从RGB图像以及辅助图像（如深度图、热图或光流图）中独立提取RGB特征{F1r,F2r,F3r,F4r}和辅助特征{F1x,F2x,F3x,F4x}。然后，这些多层级特征通过RIM逐步整合，以增强互补信息。

数据集
对于RGB SOD，我们在三个常用的基准数据集上对HVPNet进行了测试：DUTS（Wang等人，2017年）、DUT-O（Yang等人，2013年）和HKU-IS（Li和Yu，2015年）。对于RGB-D SOD，我们在三个基准数据集上进行了测试：NJUD（Ju等人，2014年）、NLPR（Peng等人，2014年）和STERE（Niu等人，2012年）。对于RGB-T SOD，我们在三个基准数据集上进行了测试：VT821（Wang等人，2018a年）、VT1000（Tu等人，2019年）和VT5000（Tu等人，2022年）。对于VSOD，我们在两个广泛使用的数据集上对HVPNet进行了测试。

结论
在本文中，我们提出了HVPNet——一种简单而高效的网络，它从人类视觉处理过程获得灵感，用于解决SOD和COD任务。HVPNet打破了当前架构日益复杂的趋势，将视网膜整合机制和大脑皮层的分层处理机制抽象为层级化的整合与解码策略。具体而言，所提出的视网膜整合模块（RIM）和皮层解码器（CD）注重不同层级之间的结构兼容性。

未引用图表
图4、表2、表3、表4和表5。

作者贡献说明
徐嘉伟：方法设计、概念构思。周强强：数据整理、概念构思。李周平：概念构思。石彦娇：数据整理。易宇根：概念构思。余佳聪：概念构思。

利益冲突声明
作者声明不存在任何可能影响本文工作的已知财务利益或个人关系。

致谢
作者声明在本文发表过程中不存在任何潜在的利益冲突。本研究得到了国家自然科学基金（编号：62262030）和江西省自然科学基金（编号：20232BAB202021）的支持。