論文の概要: DISTA-Net++: Rethinking Infrared Small Target Unmixing Beyond Sub-Pixel Separation

• arxiv url: http://arxiv.org/abs/2609.18773v1
• Date: Wed, 16 Sep 2026 14:57:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.85958
• Title: DISTA-Net++: Rethinking Infrared Small Target Unmixing Beyond Sub-Pixel Separation
• Title（参考訳）: DISTA-Net++: サブピクセル分離を超えて、赤外線の小さなターゲットアンミックスを再考する
• Abstract要約: 長距離赤外線画像は、回折制限されたシグネチャが1つの識別不能なブロブに融合する密度の高いターゲットクラスタに対向する。 DisTA-Net++は2つの相乗的なメカニズムで動的に展開するバックボーンをアンカーする。 DisTA-Net++は、CSO-mAPが16.15%、62.96%の精度で、計算の6分の1に過ぎない。
• 参考スコア（独自算出の注目度）: 50.40058918817059
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-range infrared imaging frequently confronts dense target clusters whose diffraction-limited signatures merge into a single indistinguishable blob, concealing the number, sub-pixel positions, and radiant intensities of the underlying sources. While deep learning has advanced general object detection, resolving such Closely-Spaced Infrared Small Targets (CSIST) remains largely unexplored, owing to a systemic infrastructure void and a fundamental paradigm mismatch. The dominant formulation, which reduces unmixing to a blind, discrete sub-pixel separation, is inherently insufficient: without semantic guidance, the ill-posed inverse problem admits ambiguous solutions plagued by false and missed detections, while grid-based discretization locks predictions onto fixed lattice centers, chaining precision to prohibitively expensive grid refinement. We argue that CSIST unmixing should instead be informed and continuous. To ground this paradigm shift, we establish the first comprehensive open-source ecosystem for the field, comprising the large-scale CSIST-100K benchmark, a tailored metric suite, and the GrokCSO toolkit. Upon this foundation, we propose DISTA-Net++, which anchors a dynamic deep unfolding backbone with two synergistic mechanisms: a Count-Guided Prior that injects the global target count as an explicit semantic constraint to regularize the solution space, and a Continuous Coordinate Rectification that regresses off-grid offsets to decouple localization accuracy from grid resolution. Extensive experiments validate our paradigm: even under the most economical 3x division, DISTA-Net++ surpasses 7x-division state-of-the-art methods by 16.15% in CSO-mAP and 62.96% in count accuracy at merely one-sixth of their computation, demonstrating that unmixing precision need not be purchased with finer discretization. The complete ecosystem is available at https://github.com/GrokCV/GrokDet.
• Abstract（参考訳）: 長距離赤外線画像は、回折制限されたシグネチャが単一の識別不可能なブロブにマージされ、その数、サブピクセルの位置、および根源の放射強度を隠蔽する密度の高いターゲットクラスターにしばしば対向する。 深層学習は汎用物体検出を進歩させてきたが、そのような近距離赤外線小ターゲット(CSIST)の解決は、体系的なインフラの空白と基本的なパラダイムミスマッチのため、ほとんど未解決のままである。 意味的なガイダンスがなければ、不適切な逆問題では、誤検出や誤検出に悩まされるあいまいな解決が認められ、グリッドベースの離散化は固定格子中心に予測をロックし、高額な格子修正を禁止している。 CSIST のアンミックスは情報と継続性を持つべきだと我々は主張する。 このパラダイムシフトを基礎として,大規模なCSIST-100Kベンチマーク,調整されたメトリックスイート,GrokCSOツールキットを含む,この分野における初の総合的なオープンソースエコシステムを確立する。 本財団では,2つの相乗的メカニズムで動的に展開するバックボーンをアンロックするdisTA-Net++を提案する。すなわち,グローバルターゲット数を明示的なセマンティック制約として注入するCount-Guided Priorと,オフグリッドオフセットを回帰してグリッド解像度からローカライズ精度を分離するContinuous Coordinate Rectificationである。 DISTA-Net++は、最も経済的な3x分割の下でも、CSO-mAPの16.15%、計算の6分の1の精度で62.96%の精度で 7x-division State-the-art メソッドを上回り、未混合精度はより微細な離散化で購入する必要がないことを示した。 完全なエコシステムはhttps://github.com/GrokCV/GrokDet.comで公開されている。

関連論文リスト

• Beyond Unfolding: 60x Faster One-Stage Unmixing for Closely-Spaced Infrared Small Targets [43.71958109614362]
  近距離赤外小ターゲット(CSIST)は一般的にエネルギーの重なりを見せ、赤外線画像では識別不能なブロブとして現れる。 この曖昧さは、従来の検出の1対1のマッピング仮定を無効にする。 深層展開が不要であることを示す一段軽量パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-07-17T14:42:51Z)
• LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
  赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。 深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。 深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。 これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:15:09Z)
• C$^{2}$R: Cross-sample Consistency Regularization Mitigates Feature Splitting and Absorption in Sparse Autoencoders [56.67585330425431]
  スパースオートエンコーダ(SAE)は、アクティベーションをスパースで人間の理解可能な機能に分解することで、大きな言語モデルを解釈するために広く使われている。 これらの問題は、サンプル間の一貫性のない潜在的な割り当てに起因している。 我々はC$2$Rを導入し、これは方向的に類似した潜伏剤の共活性化を罰する。
  論文  参考訳（メタデータ） (2026-06-29T17:45:31Z)
• SphereVAD: Training-Free Video Anomaly Detection via Geodesic Inference on the Unit Hypersphere [90.85001795656633]
  ビデオ異常検出(VAD)は、トリミングされていない監視ビデオの通常のパターンから逸脱するイベントを自動的に識別することを目的としている。 SphereVADはトレーニング不要でゼロショットのVADフレームワークで、単位超球面上の準比測地線推定をvon Mises-Fisher (vMF) と再放送する。
  論文  参考訳（メタデータ） (2026-05-08T16:57:38Z)
• Exploring the Limits of End-to-End Feature-Affinity Propagation for Single-Point Supervised Infrared Small Target Detection [6.7126559398433665]
  単一点制御赤外線小ターゲット検出(IRSTD)は、高密度アノテーションのコストを大幅に削減する。 現在のSOTA(State-of-the-art)手法は、マスクの監督を明示的でオフラインな擬似ラベル構成によって回収することにより、高精度を実現する。 最小限の代替策として、オンラインのポイント・ツー・マスク・イン・バッチ、ポイント・アンカレド・フィーチャー・アフィニティ・プロパゲーションを通じて、ポイント・ツー・マスクをオンラインに生成する手法について検討する。
  論文  参考訳（メタデータ） (2026-05-01T15:08:46Z)
• A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
  DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。 DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。 本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T16:12:02Z)
• SeqCSIST: Sequential Closely-Spaced Infrared Small Target Unmixing [7.09321729956876]
  本研究では,高密度CSISTグループからのサブピクセルローカライゼーションの形で全ターゲットを検出するための新しいタスクであるSequential CSIST Unmixingを提案する。 我々は、シーケンシャルなベンチマークデータセットであるSeqCSISTや、この特別なタスクに対する客観的評価指標を提供するツールキットなど、オープンソースのエコシステムにコントリビュートする。 平均精度(mAP)は5.3%向上した。
  論文  参考訳（メタデータ） (2025-07-13T09:59:48Z)
• DISTA-Net: Dynamic Closely-Spaced Infrared Small Target Unmixing [55.366556355538954]
  本稿では,動的フレームワーク内で従来のスパース再構築を再現する動的反復収縮閾値ネットワーク(DISTA-Net)を提案する。 DISTA-Netは、密接な空間を持つ赤外線小ターゲットのアンミックスのために特別に設計された最初のディープラーニングモデルである。 私たちはこの分野におけるさらなる研究を促進するために、最初のオープンソースエコシステムを確立しました。
  論文  参考訳（メタデータ） (2025-05-25T13:52:00Z)
• Neighbor-Aware Calibration of Segmentation Networks with Penalty-Based Constraints [19.897181782914437]
  本稿では,ロジット値の等式制約に基づく基本的かつ単純な解を提案し,強制制約と罰則の重みを明示的に制御する。 我々のアプローチは、広範囲のディープセグメンテーションネットワークのトレーニングに利用できる。
  論文  参考訳（メタデータ） (2024-01-25T19:46:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。