contrastive-loss concealed-object-segmentation illumination-reflectance discriminability-gap task-driven-decomposition camouflage-breaking-loss image-decomposition vision-decomposition
Abstract
Concealed Object Segmentation (COS) encompasses a family of dense-prediction tasks, including camouflaged object detection, polyp segmentation, transparent object detection, and industrial defect inspection, where targets are visually entangled with their surroundings through different physical mechanisms. Existing methods either operate directly on RGB images or employ \emph{heterogeneous} decompositions (\eg, Fourier, wavelet) that redistribute spatial evidence across scale/frequency coefficients, making pixel-aligned cues less direct. We introduce a fundamentally different perspective: \textbf{homogeneous image decomposition} via Retinex theory, which factorizes an image into illumination and reflectance components within the \emph{same} spatial domain. Our key insight is that visual entanglement enforces appearance matching in the composite space, but this does \emph{not} necessitate simultaneous matching in both component spaces, a phenomenon we formalize as the \textbf{Discriminability Gap Theorem}. Crucially, we show that across diverse COS sub-tasks, the underlying physical processes systematically anti-correlate illumination and reflectance differences, yielding theoretical guarantees that Retinex decomposition preserves or strictly improves total foreground--background discriminability across the full physical regime, with anti-correlation maximizing the gain. Building on this, we propose \textbf{RIDE} comprising: (i) a Task-Driven Retinex Decomposition module that learns segmentation-optimal factorizations end-to-end; (ii) a Discriminability Gap Attention mechanism that adaptively exploits where decomposition helps; and (iii) a Camouflage-Breaking Contrastive loss operating in reflectance feature space.
한국어 요약
📋 한 줄 요약
**[Computer Vision / Segmentation]** Retinex 이론 기반 동질적 이미지 분해로 위장·은폐 객체 분할 성능을 향상시키는 RIDE.
🎯 핵심 기여도
- 위장 탐지·폴립 분할·투명 객체 탐지·산업 결함 검사 등을 포괄하는 은폐 객체 분할(COS)에 **동질적 이미지 분해(Retinex)** 관점 도입
- **Discriminability Gap Theorem** 형식화: 시각적 얽힘은 합성 공간에서의 외관 매칭을 강제하지만 두 성분 공간(조도·반사도)에서 동시 매칭은 강제하지 않음
- COS 하위 태스크 전반에 걸쳐 물리 과정이 조도-반사도 차이를 체계적으로 **반상관(anti-correlate)** 시키며, 이로 인해 Retinex 분해가 전경-배경 판별성을 보존/엄밀히 향상시킨다는 이론적 보장
- 세 가지 구성 요소: (i) Task-Driven Retinex Decomposition 모듈, (ii) Discriminability Gap Attention, (iii) Camouflage-Breaking Contrastive loss
💡 핵심 아이디어
기존 방법은 RGB를 직접 사용하거나 푸리에·웨이블릿 같은 **이질적** 분해를 사용해 픽셀 정렬 단서가 약화된다. Retinex는 같은 공간 도메인 내에서 조도와 반사도로 분해하는 **동질적** 분해다 — 합성 공간에서는 위장이 외관을 일치시키지만 두 성분에서 동시에 일치할 필요는 없으므로 분해를 통해 판별성이 회복된다.
🔬 기술적 접근법
- **모델/방법론**: Retinex 분해 + 세그멘테이션 최적화 분해 학습 + 분해 활용 어텐션
- **핵심 기법**: (i) 분할 최적 분해를 end-to-end 학습하는 Task-Driven Retinex Decomposition, (ii) 분해가 도움이 되는 위치를 적응적으로 활용하는 Discriminability Gap Attention, (iii) 반사도 특징 공간에서 작동하는 Camouflage-Breaking Contrastive loss
📊 주요 결과
- 위장 탐지·폴립 분할·투명 객체 탐지·산업 결함 검사 등 다양한 COS 하위 태스크 적용
- 이론적 보장: Retinex 분해가 판별성을 보존하거나 엄밀히 향상 (반상관 시 이득 최대화)
💭 의의 및 한계
**의의**: COS 전 영역을 통일적으로 다루는 이론적 토대와 실용 아키텍처를 동시에 제공한다. **한계**: 이론적 보장이 반상관 가정에 의존하며, 매우 강한 조명 불변 위장에서는 이득이 제한될 수 있다.
🚀 실용적 활용
- 의료 영상(폴립·병변) 자동 분할
- 산업 결함 검사 자동화
- 위장된 객체 탐지(국방·야생동물 모니터링)