論文の概要: Seeing through Denoising: Frequency-guided One-step Denoising for Infrared Small Target Detection

• arxiv url: http://arxiv.org/abs/2610.29361v1
• Date: Wed, 21 Oct 2026 07:51:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.281905
• Title: Seeing through Denoising: Frequency-guided One-step Denoising for Infrared Small Target Detection
• Title（参考訳）: 周波数誘導型1ステップデノナイジングによる赤外小ターゲット検出
• Abstract要約: 赤外線小目標検出(IRSTD)は、ターゲットが極端に小さいこと、信号と雑音の比が低いこと、赤外線画像における背景の乱れが重いことによる課題である。 DiffIRSTDは、背景再構成問題として、赤外線小ターゲット検出を再構成する新しい生成フレームワークである。
• 参考スコア（独自算出の注目度）: 107.7770382447473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Infrared small target detection (IRSTD) is a challenging task due to the extremely small size of targets, low signal-to-noise ratios, and heavy background clutter in infrared imagery. While the progress of deep learning has advanced this field, existing methods primarily adopt discriminative paradigms that directly map images to target masks, overlooking the potential of generative modeling. In this paper, we propose DiffIRSTD, a novel generative framework that reformulates infrared small target detection as a background reconstruction problem. Instead of explicitly predicting target regions, we reinterpret small targets as noise-like signals and leverage a diffusion-based model to recover a clean, target-free background from a perturbed input image. The residual between the reconstructed background and the original image is then exploited to highlight candidate target regions, providing explicit cues for subsequent detection. To address the computational cost typically associated with diffusion sampling, we introduce a one-step denoising strategy that enables efficient background reconstruction while maintaining practical inference speed. Furthermore, we present a frequency-guided perception loss to preserve high-frequency background details and focus more on the reconstruction quality of target regions. More importantly, our DiffIRSTD operates as a plug-and-play framework, compatible with existing IRSTD models without increasing the computational complexity of detectors. Extensive experiments on IRSTD-1K, NUAA-SIRST, and NUDT-SIRST datasets demonstrate the superiority of our method, achieving state-of-the-art performance across three benchmarks.
• Abstract（参考訳）: 赤外線小目標検出(IRSTD)は、ターゲットが極端に小さいこと、信号と雑音の比が低いこと、赤外線画像における背景の乱れが重いことによる課題である。 ディープラーニングの進歩はこの分野で進歩してきたが、既存の手法は主に画像を直接ターゲットマスクにマッピングする差別的パラダイムを採用しており、生成的モデリングの可能性を見越している。 本稿では、背景再構成問題として、赤外線小目標検出を再構成する新しい生成フレームワークであるDiffIRSTDを提案する。 ターゲット領域を明示的に予測する代わりに、小さなターゲットをノイズのような信号として再解釈し、拡散モデルを用いて、乱れた入力画像からクリーンで標的のない背景を復元する。 その後、再構成された背景と元の画像との間の残差を利用して候補対象領域をハイライトし、後続検出のための明示的な手がかりを提供する。 拡散サンプリングに係わる計算コストに対処するため,実用的な推論速度を維持しつつ,効率的な背景復元を可能にする一段階の復調戦略を導入する。 さらに、高頻度背景情報を保存し、ターゲット領域の再構成品質をより重視するために、周波数誘導型知覚損失を提案する。 さらに重要なことは、DiffIRSTDは、既存のIRSTDモデルと互換性があり、検出器の計算複雑性を増大させることなく、プラグイン・アンド・プレイのフレームワークとして動作することです。 IRSTD-1K, NUAA-SIRST, NUDT-SIRSTデータセットの大規模な実験により, 提案手法の優位性を実証し, 3つのベンチマークで最先端性能を実現した。

関連論文リスト

• Denoising-Enhanced Coarse-to-Fine Infrared Small Target Detection with Attention Prior-Guided Knowledge Distillation [25.578477706884982]
  高解像度画像における赤外線小目標検出(IRSTD)は、無人航空機(UAV)の監視やUAVによる地上監視など、多くの実用的な用途に欠かせない。 IRSTDは、ターゲットの小さなサイズと弱い特徴、複雑な動的背景からの重大な干渉のため、依然として困難である。 ECFNet と呼ばれる事前誘導型知識蒸留による高効率な粗粒度赤外小ターゲット検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-20T09:06:38Z)
• It's Not the Target, It's the Background: Rethinking Infrared Small Target Detection via Deep Patch-Free Low-Rank Representations [5.326302374594885]
  本稿では、LRRNetと呼ばれる新しいエンドツーエンドIRSTDフレームワークを提案する。 乱れシーンの物理的圧縮性に着想を得て,本手法は圧縮・再構成・減算パラダイムを採用する。 複数の公開データセットの実験により、LRRNetは検出精度、堅牢性、計算効率の点で38の最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-12T07:24:45Z)
• Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement [71.13353154514418]
  低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。 RAWMambaと呼ばれる低照度RAW画像用にカスタマイズされた新しいMambaベースの手法を提案する。 低照度RAW画像の高精細化を図り、復調を施すことにより、高精細化を実現する。
  論文  参考訳（メタデータ） (2024-09-11T06:12:03Z)
• Mitigate Target-level Insensitivity of Infrared Small Target Detection via Posterior Distribution Modeling [5.248337726304453]
  Infrared Small Target Detection (IRSTD) は、赤外線クラッタ背景から小さなターゲットを分離することを目的としている。 マスク後部分布モデルを用いて画素レベルの判別を補正する赤外線小ターゲット検出のための拡散モデルフレームワークを提案する。 実験により,提案手法は, NUAA-SIRST, IRSTD-1k, NUDT-SIRSTデータセット上での最先端手法と競合する性能向上を実現することを示した。
  論文  参考訳（メタデータ） (2024-03-13T09:45:30Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)

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。