【工作分享】【ICCV 2025】DISTA-Net：动态空间邻近红外小目标解混

Abstract

在红外成像中，密集成团的空间邻近小目标解混存在严峻的技术挑战，因为信号混叠会严重影响目标数量统计、亚像素级定位以及辐射强度测定的准确性。尽管深度学习在红外小目标检测领域取得了一定的进展，但其在空间邻近红外小目标上的应用尚未得到探索。这一空白主要源于混叠特征分离的复杂性以及开源基础设施的缺失。在本研究中，我们提出了动态迭代收缩阈值网络 (Dynamic Iterative Shrinkage Thresholding Network, DISTA-Net)，该网络将传统稀疏重建方法重构为动态框架。DISTA-Net 能自适应地生成卷积权重和阈值参数，以实时调整重建过程。据我们所知，DISTA-Net 是首个专门针对空间邻近红外小目标解混设计的深度学习模型，实现了卓越的亚像素检测精度。此外，我们建立了该领域首个开源生态系统以促进后续研究。该生态系统包含三大核心组件：（1）CSIST-100K，一个公开的基准数据集；（2）CSO-mAP，一个用于亚像素检测的自定义专用评估指标；（3）GrokCSO，一个开源工具包，其中包含 DISTA-Net 及其他模型。

Yimian Dai

Associate Professor

南开大学计算机学院副教授，专注于红外弱小目标检测、多模态视觉感知方向的研究。