基于物理引导的扩散框架与神经信息瓶颈调节机制，用于实现鲁棒的小目标检测

《IEEE Transactions on Neural Networks and Learning Systems》：Physically Guided Diffusion Framework With Neural Information Bottleneck Regulation for Robust Small Object Detection

　　

摘要：

在恶劣环境中进行鲁棒的小目标检测仍然具有挑战性，这主要是由于物理退化和特征表示的不稳定性。现有的检测器在雾天、雨天和低光照条件下往往难以保持语义一致性，从而导致准确率下降和泛化能力差。为了解决这些问题，我们提出了一个统一的神经信息瓶颈与物理引导扩散（NIB-PGD）框架。该框架将物理先验与信息论正则化结合在双扩散范式中，实现了鲁棒的特征编码和抗噪声的目标定位。多尺度增强-融合-上下文注意力（EFC-A）编码器捕获层次语义和上下文依赖性，而物理引导的特征级扩散将真实的退化核注入噪声调度中以提高鲁棒性。同时，框级扩散将检测问题重新表述为迭代去噪过程，逐步细化边界框，无需锚点或查询。二阶信息瓶颈（2O-IB）约束动态调节互信息，以抑制冗余并保留与任务相关的语义。在我们的综合基准测试集（由BDD100K、SODA-D和内部小目标集组成）上，NIB-PGD的准确率达到了52.3%和35.7%，分别比最强的基线方法高出1.2个AP单位和1.1个AP单位。