【CVPR26-Min Tan-杭电】基于多线索学习的伪标签进化融合与优化：用于无监督伪装检测
文章：EReCu: Pseudo-label Evolution Fusion and Refinement with Multi-Cue Learning for Unsupervised Camouflage Detection
代码：https://github.com/JSLiam94/EReCu
单位：杭州电子科技大学、浙江大学
一、问题背景
伪装目标检测的核心难点，在于目标物体与周边环境高度相似，纹理对比度低、边界交融紧密，常规的显著性检测方法难以有效识别。而无监督伪装目标检测，更是需要在无人工像素级标注的前提下完成检测，现有方法主要分为两大范式，且均存在明显瓶颈：
伪标签引导类方法：早期依赖静态伪标签生成，易引入背景噪声，后续的师生网络改进方案又忽略了图像原生感知线索，导致边界溢出、语义漂移，检测结果不准确；
特征学习类方法：通过注意力机制、环境先验等分离前景和背景特征，但缺乏伪标签的显式监督，容易造成目标边界模糊、精细纹理细节丢失。
此外，现有方法普遍将语义可靠性和纹理保真度分开优化，形成了语义与感知之间的鸿沟，进一步加剧了伪标签漂移和细节退化的问题，难以在复杂伪装场景下实现精准检测。
二、方法创新
研究团队提出的EReCu框架，基于DINO的师生网络架构，核心创新是将多线索原生感知与伪标签进化融合、局部精修相结合，让语义可靠性和纹理保真度通过相互反馈共同进化，从根本上解决了现有方法的痛点。框架包含三大核心模块，各模块协同作用、层层递进：
1. 多线索原生感知模块（MNP）
作为整个框架的基础，该模块提取图像的原生视觉先验信息，融合LBP、DoG等低层纹理特征和冻结ResNet-18提取的中层语义特征，构建多线索特征表示；同时设计多线索质量度量指标，量化前景-背景的可分离性，为后续伪标签的进化和精修提供可靠的图像原生监督信号，确保所有优化都贴合图像本身的固有特征。
2. 伪标签进化融合模块（PEF）
包含进化伪标签学习（EPL）和谱张量注意力融合（STAF）两个子模块：EPL通过深度可分离卷积实现学生浅层特征与教师深层特征的交互，结合Dice损失和MNP损失迭代优化伪标签，实现语义去噪和伪标签的动态进化；STAF则利用Tucker分解和截断SVD谱滤波，融合学生网络多层注意力图，在抑制噪声的同时保留语义和结构一致性，生成稳定的全局伪标签。
3. 局部伪标签精修模块（LPR）
针对全局伪标签易丢失边界和纹理细节的问题，利用DINO多头自注意力的空间多样性，通过目标感知注意力选择（TAS），结合注意力熵和MNP感知线索筛选出聚焦目标的注意力头；再通过局部伪标签生成（LPG），从高置信度区域生成精细的局部伪标签，结合Dice损失和交叉熵损失优化全局预测结果，恢复目标的精细纹理和边界保真度。
三大模块形成闭环：MNP为PEF和LPR提供原生线索指导，PEF生成高质量全局伪标签，LPR对全局伪标签进行局部细节精修，最终实现结构保留的伪装目标检测。
三、实验结果
为验证EReCu框架的有效性，研究团队开展了全面的实验验证，实验设置和结果均表现出优异的性能：
1. 实验设置
数据集：训练集融合CAMO-Train（1000张）和COD10K-Train（3040张）无标注图像，在CHAMELEON、CAMO、COD10K、NC4K四个主流COD基准数据集上进行测试；
评价指标：采用结构度量（）、加权F值（）、E度量（）、平均绝对误差（M）四大经典指标；
实现细节：以DINO-ViT-S/8为编码器，采用AdamW优化器、余弦退火学习率，在NVIDIA Tesla V100-SXM2 GPU上完成训练，保证实验的可复现性。
2. 核心结果
定量性能：EReCu在四个测试数据集的所有评价指标上均达到SOTA水平，全面超越UCOD-DPL、SdalsNet等主流无监督伪装目标检测方法，以及TokenCut、FOUND等经典无监督目标分割方法，例如在CHAMELEON数据集上达0.7321、M低至0.0716，边界和细节检测精度显著提升；
定性效果：在复杂伪装场景下，EReCu生成的分割掩码边界更锐利、结构细节更丰富，能有效识别深度伪影下的伪装目标，相比现有方法更贴合真实标注；
消融实验：移除任一核心模块均会导致性能明显下降，MNP与EPL的组合带来最显著的性能提升，证明各模块的互补性和整体框架的合理性，所有模块的协同集成是实现高性能的关键。
四、优势与局限
1. 核心优势
创新的协同优化思路：首次将多线索原生感知与伪标签的进化、精修深度结合，实现语义和感知的共同进化，填补了两者之间的鸿沟，同时解决了伪标签漂移和细节退化两大核心问题；
高精度的检测效果：相比现有方法，EReCu在边界对齐、细节感知上表现更优，能在复杂伪装场景下生成更准确、更精细的分割掩码，泛化能力更强；
高效的计算与设计：采用深度可分离卷积、低秩分解等轻量化操作，在保证性能的同时降低计算成本，各模块设计贴合伪装目标检测的任务特性，针对性强；
良好的可复现性：公开代码和详细的实验设置，为后续无监督伪装目标检测的研究提供了可靠的基准。
2. 现存局限
对纹理特征的依赖性：MNP模块依赖低层纹理特征提取，在纹理极度模糊、目标与背景几乎无纹理差异的极端伪装场景下，检测性能可能出现下降；
超参数的敏感性：框架中部分阈值、可学习参数（如注意力选择的阈值、局部伪标签生成的α）需通过经验设定，在不同类型的数据集上可能需要重新调优；
检测速度：相比部分轻量级无监督检测方法，EReCu因包含多层特征融合、迭代优化等步骤，在检测推理速度上仍有提升空间，暂难以满足实时检测的需求。
五、一句话总结
杭州电子科技大学与浙江大学团队提出的EReCu框架，通过多线索原生感知、伪标签进化融合和局部精修三大模块的协同作用，实现了无监督伪装目标检测中语义可靠性与纹理保真度的共同进化，在多个基准数据集上达到SOTA性能，有效提升了复杂场景下伪装目标的边界检测精度和细节感知能力，为无监督伪装目标检测的研究提供了新的思路和基准。