LCPNet: 잠재적 일관성 근접 전개 네트워크를 이용한 적외선 소형 표적 검출

LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection

적외선 소형 표적 검출(IRSTD)은 복잡한 적외선 배경에서 먼 거리에 있는 작은 표적을 식별하는 것으로, 원격 감지 분야의 기본적인 과제입니다. 딥러닝 방법은 판별력 있는 이미지-마스크 매핑 학습을 통해 IRSTD를 개선했지만, 이러한 순방향 설계는 종종 표적과 배경 사이의 물리적인 분해 구조를 충분히 활용하지 못합니다. 딥 언폴딩 방법은 모델 기반 반복 과정을 신경망에 통합하여 이 문제를 부분적으로 해결하지만, 기존 설계는 여전히 주로 이미지 영역에서 작동하며, 최적화 과정과 완전히 결합되지 않은 업데이트 및 메모리 메커니즘을 사용합니다. 이러한 한계를 극복하기 위해 우리는 잠재적 일관성 근접 전개 네트워크(LCPNet)를 제안합니다. 첫째, 낮은 랭크 사전 지식이 잠재 표현에서 유효함을 확인하고 이 공간에서 전개를 수행하여 물리적 제약을 유지하면서 중간 상태의 반복적인 압축을 방지합니다. 둘째, 각 잠재 변수를 이전 상태로부터 직접 발전시키는(간접 잔차를 통한 재구성 방식이 아님) 잠재적 일관성 근접(LCP) 솔버를 개발하고, 작업에 적응한 정규화 및 이득 제어를 통해 소형 표적 업데이트를 안정화합니다. 셋째, 모든 분해 변수가 공유하는 공통의 과거 상태인 공유 최적화 메모리(SOM)를 도입하여 전개 단계 간에 조정된 지침을 제공합니다. 네 가지 공개 데이터 세트에 대한 광범위한 실험 결과는 LCPNet이 최첨단 방법보다 우수한 성능을 보이며, 낮은 오탐율과 경쟁력 있는 효율성을 갖춘 정확하고 강력한 검출 능력을 달성한다는 것을 보여줍니다. 모델 및 코드는 https://github.com/Tianfang-Zhang/LCPNet에서 확인할 수 있습니다.

Infrared small target detection (IRSTD) aims to identify long distance small targets from complex infrared backgrounds, and is a fundamental task in remote sensing. Deep learning methods have improved IRSTD by learning discriminative image-to-mask mappings, but such feed-forward designs often underuse physical decomposition structure between targets and backgrounds. Deep unfolding methods partially address this issue by embedding model-driven iterations into neural networks, yet existing designs still operate mainly in image domain and use updates and memory mechanisms that are not fully coupled with underlying optimization process. To address these limitations, we propose Latent Consistent Proximal unfolding network (LCPNet). First, we verify that low-rank prior remains valid in latent representations and perform unfolding in this space, preserving physical constraint while avoiding repeated compression of intermediate states. Second, we derive a Latent Consistent Proximal (LCP) solver that evolves each latent variable from its previous state rather than reconstructing through an indirect residual, and stabilizes small target updates through task-adaptive normalization and gain control. Third, we introduce Shared Optimization Memory (SOM), a common historical state shared by all decomposition variables to provide coordinated guidance across unfolding stages. Extensive experiments on four public benchmarks demonstrate that LCPNet outperforms state-of-the-art methods while achieving accurate and robust detection with low false alarms and competitive efficiency. Model and code are available at https://github.com/Tianfang-Zhang/LCPNet.