진정으로 위장된 객체가 존재할까? 현실적인 위장 객체 감지 연구

Is There Really a Camouflaged Object? Towards Realistic Camouflaged Object Detection

위장 객체 감지(Camouflaged Object Detection, COD)는 시각적으로 주변 환경에 숨겨진 객체를 분할하는 것을 목표로 하며, 최근 몇 년 동안 많은 관심을 받고 있습니다. 그러나 대부분의 기존 COD 방법은 폐쇄형 세계 가정을 기반으로 개발되었으며, 각 입력 이미지에는 위장된 객체가 포함되어 있다고 가정합니다. 이러한 가정은 순수한 배경이나 위장되지 않은 객체를 포함하는 실제 시나리오를 무시하며, 결과적으로 기존 모델이 개방형 환경에서 배포될 때 심각한 오탐을 발생시킵니다. 이러한 제한 사항을 해결하기 위해, 우리는 현실적인 COD 평가를 위한 대규모 벤치마크인 OPC16K를 제안합니다. OPC16K는 14개의 소스에서 수집된 16,245장의 이미지로 구성되어 있으며, 위장 객체 이미지, 순수한 배경 이미지, 그리고 위장되지 않은 객체 이미지를 신중하게 분류하여 분할 품질과 부정 샘플 거부 능력을 종합적으로 평가할 수 있도록 설계되었습니다. 이 벤치마크를 기반으로, 우리는 존재 여부를 인식하는 위장 네트워크인 OPCNet을 추가로 제안합니다. OPCNet은 COD를 순수한 분할 문제에서 벗어나 객체 위치 파악 및 위장 존재 추론이라는 통합된 문제로 재정의합니다. 구체적으로, OPCNet은 계층적 존재 추론을 통해 CO(위장 객체), BG(배경), 그리고 NOCOD(위장되지 않은 객체) 시나리오를 구분하고, 전경-배경 간 위장 관계 모델링을 통해 위장 힌트를 파악하며, 존재 여부에 대한 정보를 활용하여 분할 특징을 조정하는 존재 인식 특징 정제 기술을 도입합니다. OPC16K에 대한 광범위한 실험 결과는 OPCNet이 제안된 현실적인 COD 평가 프로토콜 하에서 우수한 성능을 달성하며, 부정 샘플에서의 오탐을 크게 줄이는 동시에 정확한 위장 객체 분할을 유지한다는 것을 보여줍니다. 코드 및 데이터셋은 https://github.com/2231122/OPCOD 에서 공개될 예정입니다.

Camouflaged object detection (COD) aims to segment objects that are visually concealed in their surroundings and has attracted increasing attention in recent years. However, most existing COD methods are developed under a closed-world assumption, where each input image is assumed to contain a camouflaged object. This assumption ignores realistic scenarios with pure backgrounds or non-camouflaged objects, causing existing models to produce severe false positives when deployed in open-world environments. To address this limitation, we propose OPC16K, a large-scale benchmark for realistic COD. OPC16K contains 16,245 images from 14 sources and is carefully organized into camouflaged-object images, pure background images, and non-camouflaged-object images, enabling comprehensive evaluation of both segmentation quality and negative-sample rejection. Based on this benchmark, we further propose OPCNet, a presence-aware camouflage network that reformulates COD from a pure segmentation task into a joint problem of object localization and camouflage existence reasoning. Specifically, OPCNet introduces hierarchical existence reasoning to distinguish CO, BG, and NOCOD scenarios, similarity-aware camouflage relation modeling to capture foreground-background camouflage cues, and existence-aware feature refinement to regulate segmentation features with existence predictions. Extensive experiments on OPC16K demonstrate that OPCNet achieves superior performance under the proposed realistic COD evaluation protocol, significantly reducing false positives on negative samples while maintaining accurate camouflaged-object segmentation. Code and dataset will be released at https://github.com/2231122/OPCOD.