FocusDiffuser: Perceiving Local Disparities for Camouflaged Object Detection

探测与周围环境完美融合的物体对于人类认知能力和先进的人工智能算法而言都是一项复杂的任务。目前，探测伪装物体的大多数方法主要集中在利用具有各种独特设计的判别模型上。然而，已经观察到生成模型（如稳定扩散）具有更强的理解复杂环境中各种物体的能力，但它们对于认知和探测伪装物体的潜力尚未得到广泛探索。在本研究中，我们提出了一种新型去噪扩散模型——FocusDiffuser，以研究生成模型如何增强对伪装物体的检测和解释。我们认为发现伪装物体的秘密在于捕捉细节中微妙的差异。因此，我们的FocusDiffuser创新地集成了专业增强功能，尤其是边界驱动的查找（BDLU）模块和循环定位（CP）模块，以提升标准扩散模型，显著提高细节导向的分析能力。我们的实验表明，从生成的角度来看，FocusDiffuser有效地解决了伪装物体检测的挑战，在CAMO、COD10K和NC4K等基准测试中超越了领先的模型。

论文旨在解决探测伪装对象的问题，使用生成模型来增强探测和解释伪装对象的能力。

论文提出了一种新的去噪扩散模型——FocusDiffuser，该模型融合了边界驱动的查找模块（BDLU）和循环定位模块（CP），从生成模型的角度有效解决了探测伪装对象的挑战。

论文的实验结果表明，FocusDiffuser在CAMO、COD10K和NC4K等基准测试中，从生成模型的角度有效地解决了探测伪装对象的问题，并超越了其他领先的模型。论文使用了哪些数据集和开源代码也进行了说明。

最近的相关研究包括使用判别模型进行伪装对象探测的方法。