虚警从哪里来：CVPR 2026 论文 NS-FPN 从频域噪声抑制重构红外小目标检测
红外小目标检测领域长期饱受虚警困扰。CVPR 2026 论文「Seeing Through the Noise」（北航/南开）首次从频域分析揭示 CNN 特征增强同步放大高频噪声的根本矛盾，提出即插即用模块 NS-FPN，仅用 0.26M 参数增量在 NUAA-SIRST 上将虚警率降低超 90%，全面超越 17 种 SOTA 方法。
红外小目标检测（Infrared Small Target Detection and Segmentation，IRSTDS）是一个实用需求极其明确的子领域：无人机侦察、导弹预警、远距离飞行器跟踪，所有这些场景都要求系统在高噪声、低信噪比的红外图像里可靠地找到像素面积极小的目标。目标可能只占整幅图像的几十个像素，背景却充斥着云层、地物、大气湍流产生的杂波。
过去十年，随着深度学习逐渐主导这个方向，主流方法走的路子很一致：设计更强的特征提取网络，用注意力机制、多尺度融合、U-Net 型结构增强微弱目标的特征表示，把 IoU 和检测率（Pd）往上推。这个思路确实奏效了，DNANet、UIUNet、SCTransNet、MSHNet……一代代方法在 IRSTD-1k 和 NUAA-SIRST 两个标准基准上不断刷新分割 IoU。
但虚警（False Alarm，Fa）的问题始终像一块牛皮糖甩不开。
北京航空航天大学和南开大学的研究团队在被 CVPR 2026 录用的论文「Seeing Through the Noise: Improving Infrared Small Target Detection and Segmentation from Noise Suppression Perspective」1 里给出了一个角度不同的解释：现有方法提升特征表示的同时，也在同步放大高频噪声，虚警率居高不下的根源就在这里。 他们从频域出发，提出了即插即用模块 NS-FPN（Noise-Suppression Feature Pyramid Network），在不大幅增加参数的前提下，系统性地抑制噪声，让虚警率在多个基准上降到了此前方法的一半甚至更低。
一、问题的根源：高频放大与虚警
要理解 NS-FPN 的设计动机，先要搞清楚红外小目标检测领域的特殊性。
红外图像里真实目标的信噪比极低。一个典型的远程飞行器目标，其强度分布近似高斯形，在整幅图像里的峰值往往只比周围背景高出几个灰度级。背景噪声——大气散射、传感器热噪声、地面杂波——在频域上主要表现为高频分量：细密的纹理、边缘、快速变化的亮度跳变。
CNN 提取特征的本质是卷积，卷积对高频信号的响应并不受先天压制。事实上，大多数经过监督训练的特征提取器会"顺手"放大那些在标注样本里频繁与目标共现的高频模式——这对于高分辨率自然图像检测是优点（高频边缘是目标的重要线索），但放到低信噪比红外场景里，就成了一把双刃剑：网络在增强目标特征的同时，把背景噪声也一起拉高了，从而触发大量误检。
这个问题被论文作者团队通过频域分析明确指出2。他们观察到：
- 低频分量（图像的整体轮廓、大尺度亮度变化）会降低目标定位精度，因为小目标的尺度信号主要在高频
- 高频分量（细节、纹理、边缘）携带目标信号，但同时携带噪声
- 现有的 FPN 结构在跨尺度融合时，并没有任何机制区分「有用的高频（目标相关）」和「有害的高频（噪声）」
这个观察构成了整篇论文的支点：如果能用低频分量作为引导，精准地抑制高频中的噪声分量，就可以在不损失目标响应的前提下降低虚警。作者写道：「低频分量虽然会降低目标定位性能，但可以作为有价值的线索来抑制高频分量中的噪声。」2
二、NS-FPN 架构：两个模块的分工
NS-FPN 的实现思路相当克制：不重新设计骨干，不引入新型 Transformer 结构，而是在标准 FPN 的两个关键位置做手术——用 LFP 模块替换 1×1 卷积做特征提纯，用 SFS 模块替换上采样操作做结构化特征融合3。
LFP：低频引导高频提纯
LFP（Low-frequency guided Feature Purification）模块是整个方法的核心。它的工作流程分四步：
第一步：小波分解。对输入特征图 做离散小波变换（DWT），将其分解为低频分量 和高频分量 。DWT 在这里的优势是无损可逆——信息不会在分解过程中丢失，最后可以通过逆变换（IDWT）完整重建。
第二步：生成空间注意力权重。将低频分量 经过池化和卷积，生成一张空间注意力权重图。这张权重图编码的是「哪些空间位置的特征应该被保留」。低频分量代表图像的大尺度结构，目标所在区域通常会在低频上留有可辨识的痕迹，因此以它作为引导，比随机生成注意力权重更有依据。
第三步：门控高斯滤波。将高频分量 乘以步骤二生成的注意力权重，再过一层门控高斯滤波器，做第二轮噪声压制。高斯滤波对均匀分布的随机噪声有压制效果，但直接用全局高斯滤波会把目标的高频细节也模糊掉；这里先用注意力权重标记出目标相关区域，再精准施加滤波，避免了这个问题2。
第四步：逆变换重建。把经过提纯的高频分量和低频分量合并，经过 IDWT 重建特征，得到「干净」的 。
这个流程的设计动机很清晰：用低频引导高频，不是直接压制高频（那会损失目标细节），而是有选择性地压制噪声主导的高频部分。
SFS：螺旋感知特征采样
SFS（Spiral-aware Feature Sampling）模块针对的是另一个问题：FPN 里的上采样操作通常用双线性插值或反卷积，两者都是规整的规则采样，没有考虑红外小目标的形态特点。
红外小目标的强度呈高斯分布——中心最亮，向外衰减。如果上采样的采样点均匀分布在一个规则网格上，那些分布在目标「高斯足迹」周边的采样点就可能捕捉不到足够的目标信号，而采到过多背景。
SFS 的解法是：围绕候选目标位置设计一套螺旋状采样模式。螺旋模式从中心向外扩展，在近处采样密、远处采样稀，与目标高斯分布的衰减规律天然匹配。采到的多尺度特征随后通过跨注意力（cross-attention）机制与上一级特征做融合，输出结构化的目标相关特征2。
SFS 并不依赖 LFP 的输出——两个模块可以各自独立接入 FPN，正是这一点保证了 NS-FPN 的「即插即用」属性：可以只用 LFP，也可以只用 SFS，也可以同时使用，均能带来独立的性能收益（消融实验数据见下文）。
三、与前序方法的技术对比
从技术路线上区分，NS-FPN 与现有方法的最大差异有两处。
差异一：问题定义不同。 过去的方法把 IRSTDS 定义为「弱小目标在嘈杂背景下的特征增强」问题，优化目标是让目标的特征响应更强。NS-FPN 把同一问题重新定义为「从充斥高频噪声的特征空间里把目标找出来」，优化目标转向了抑制噪声——这不是表述上的区别，而是导致完全不同网络设计选择的根本差异。
差异二：在 FPN 层面干预，而非骨干或头部。 ISNet（CVPR 2022）、DNANet（TIP 2022）、MSHNet（CVPR 2024）等方法主要在骨干网络或检测头上做创新；SCTransNet（TGRS 2024）引入 Transformer，成本高昂。NS-FPN 选择在特征融合颈部（FPN Neck）介入，原因也很直接：噪声经过骨干特征提取后会被进一步放大，在 FPN 融合阶段才做抑制，能同时覆盖多个尺度的特征，而不需要为每一层骨干单独设计抑制机制。
从复杂度对比来看，NS-FPN 与同类 FPN 变体的横向比较数字2 很直观：
| FPN 变体 | 参数增量 (M) | FLOPs 增量 (G) | IRSTD-1k IoU |
|---|---|---|---|
| PANet | +0.41 | +1.41 | 68.9 |
| BiFPN | +0.39 | +1.33 | 66.9 |
| HSFPN | +0.17 | +0.98 | 66.7 |
| NS-FPN | +0.26 | +1.16 | 69.2 |
参数只多出 0.26M（约占 MSHNet 基线参数量的 6.6%），却是四个变体里分割 IoU 最高的。BiFPN 参数比 NS-FPN 多 50%，IoU 反而更低——说明参数量本身不是这里的核心变量，设计理念才是。
四、实验：数字告诉了什么
论文在两个公开数据集上做了完整评测2：
- IRSTD-1k：1000 张 512×512 真实红外图像，覆盖多种成像条件，公认难度较高
- NUAA-SIRST：427 张红外图像，经典基准，方法验证常用
两个数据集均按 80%/20% 划分训练/测试集。
分割任务结果
论文与 17 种方法做了对比，从传统滤波（Top-Hat、IPI）到近年深度学习（SCTransNet、MSHNet、PConv），下表提取了最关键的几行2：
| 方法 | IRSTD-1k IoU↑ | IRSTD-1k Pd↑ | IRSTD-1k Fa↓（×10⁻⁶） | NUAA-SIRST IoU↑ | NUAA-SIRST Pd↑ | NUAA-SIRST Fa↓（×10⁻⁶） |
|---|---|---|---|---|---|---|
| DNANet（TIP 2022） | 65.71 | 91.84 | 17.61 | 74.31 | 98.17 | 15.97 |
| SCTransNet（TGRS 2024） | 68.64 | 91.84 | 11.92 | 77.09 | 98.17 | 15.26 |
| MSHNet（CVPR 2024） | 67.16 | 93.88 | 15.03 | 74.60 | 99.08 | 17.21 |
| PConv（AAAI 2025） | 67.08 | 92.18 | 11.92 | 76.25 | 99.08 | 6.74 |
| MSHNet + NS-FPN | 69.29 | 95.24 | 8.58 | 78.75 | 100.0 | 1.60 |
Fa 的下降幅度最能说明问题：相比 MSHNet 基线的 15.03，NS-FPN 把 IRSTD-1k 的虚警降到了 8.58，降幅约 43%；在 NUAA-SIRST 上则从 17.21 降到 1.60，降幅超过 90%。Pd 从 93.88 提升到 95.24，IoU 从 67.16 升至 69.29——三个指标同时改善，虚警降幅最为显著。
对于需要实际部署的系统而言，Fa 的绝对数值往往比 IoU 更敏感：8.58×10⁻⁶ 意味着一百万个背景像素里约有 8-9 个误报，在远程预警场景下已经是相当低的水平。
检测任务结果
NS-FPN 同样被集成到 YOLOv8n 做目标检测测试2：
| 方法 | IRSTD-1k mAP₅₀ | IRSTD-1k mAP | NUAA-SIRST mAP₅₀ | NUAA-SIRST mAP |
|---|---|---|---|---|
| YOLOv8n | 85.0 | 41.5 | 95.6 | 49.0 |
| PConv（AAAI 2025） | 86.1 | 40.8 | 96.4 | 54.9 |
| YOLOv8n + NS-FPN | 86.3 | 42.1 | 97.5 | 58.0 |
mAP 从 49.0 到 58.0（NUAA-SIRST 提升约 18%）是显著收益，考虑到 NS-FPN 带来的参数增量只有 0.26M，这个性价比相当突出。
消融实验的精确拆解
论文的消融实验单独测了 LFP 和 SFS 各自的贡献2：
| LFP | SFS | IRSTD-1k IoU | IRSTD-1k Pd | IRSTD-1k Fa（×10⁻⁶） | NUAA-SIRST Fa（×10⁻⁶） |
|---|---|---|---|---|---|
| ✗ | ✗ | 67.04 | 91.16 | 13.06 | 12.42 |
| ✓ | ✗ | 68.82 | 94.56 | 9.79 | 12.07 |
| ✗ | ✓ | 67.81 | 93.88 | 13.66 | 4.61 |
| ✓ | ✓ | 69.29 | 95.24 | 8.58 | 1.60 |
几个有意思的细节：
- LFP 单独使用时，IRSTD-1k 的 Fa 从 13.06 降到 9.79，Pd 从 91.16 升至 94.56——虚警和漏检都改善了，说明 LFP 对噪声抑制的定向效果有效。
- SFS 单独使用时，IRSTD-1k 的 Fa 反而从 13.06 微升至 13.66——SFS 改善了检测率（Pd 91.16→93.88），但在虚警上没有帮助，甚至略有提升。
- 两者结合后，NUAA-SIRST 的 Fa 从 SFS 单独的 4.61 进一步降到 1.60——两个模块在这个数据集上形成了明显的协同效应。
这说明 LFP 和 SFS 解决的是不同子问题：LFP 主导噪声抑制，SFS 主导结构化特征融合，两者互补而非重叠。
五、可视化分析：噪声被压制在哪里
论文给出的可视化对比（原图→TopHat→IPI→UIUNet→MSHNet→SCTransNet→PConv→NS-FPN→GT）能直观看到几类情形：
- 对照传统方法（TopHat、IPI），背景杂波被深度学习方法大幅抑制
- 对照同代深度方法（MSHNet、SCTransNet），NS-FPN 在抑制云层纹理、地面杂波方面有明显优势
- 在目标本身较暗、背景较复杂的场景里，NS-FPN 的分割轮廓与 GT 的重叠度更高
这与 Fa 数字下降的趋势完全对应：可视化里消失的那些「假目标」，正是 Fa 在数字上下降的来源2。
六、评价与研究启示
论文作者的判断是：「NS-FPN 为更鲁棒和实用的 IRSTDS 方法铺平了道路。」2 从数字来看，这个判断在两个数据集、分割和检测两类任务上都有支撑。但作为研究者读这篇论文，以下几点值得思考。
这个工作真正贡献了什么
最有价值的不是 NS-FPN 本身，而是从频域角度重新定义了 IRSTDS 问题——「特征增强已经足够了，现在的瓶颈是噪声」。这个问题重定义对后续研究有直接指导意义，不管是不是使用 NS-FPN 的具体设计。
即插即用的模块化设计也是一个实际价值点：LFP 和 SFS 可以独立集成到任何已有的检测/分割框架，不需要重新设计整体网络，这对于工程落地有意义3。
局限性在哪里
数据集覆盖相对有限。 论文只在 IRSTD-1k 和 NUAA-SIRST 两个数据集上评测。NUDT-SIRST（一个包含更多序列帧的数据集）、NUDT-SIRST-Sea（海面背景）等数据集未出现在实验里。不同成像传感器（短波红外、中波红外、长波红外）的特性差异很大，当前数据集能不能覆盖所有感兴趣的部署场景，有待验证。
序列帧信息没有用上。 红外小目标检测在实际系统里通常是序列帧输入，目标的运动信息是非常强的判别线索——单帧分辨不了目标和亮背景点，多帧积累就清楚了。NS-FPN 处理的是单帧，消融实验也在单帧层面做。序列帧场景下，噪声的时序特征（背景噪声随时间变化、目标在相邻帧间连续运动）能不能被类似思路利用，是一个没有被触碰的方向。这与 summary 中提及的备选论文「Probing Deep into Temporal Profile Makes the Infrared Small Target Detector Much Better」（IEEE TPAMI 录用）的出发点正好互补，说明序列帧方向已经有独立研究在推进。
LFP 中的超参数（高斯滤波核尺寸、DWT 分解层数） 在论文里是固定的。红外目标在不同场景下的尺度差异可能较大，固定核参数能否适配所有情形，消融里没有显式讨论。
后续可能的研究方向
从这篇工作往外延伸，有几个直接的跟进点：
- 自适应频域滤波。LFP 的高斯滤波核现在是静态的，可以考虑用轻量预测头根据输入特征的局部信噪比动态生成核参数——类似动态卷积的思路，但作用域限于频域噪声抑制。
- 与序列帧方法的结合。LFP 的频域分解思路可以扩展到时序维度：在帧间差分的频域特征上做噪声抑制，把背景杂波的时序周期性和目标运动轨迹区分开来。
- 迁移到其他低信噪比检测场景。医学图像（CT/超声中的微小病灶）、SAR 图像（小型地物检测）在统计特性上与红外小目标有若干相似之处——高频噪声主导、目标能量弱——NS-FPN 的频域抑制思路是否可以迁移，值得做初步实验。
- 评估在更严格数据集上的表现。NUDT-SIRST-Sea 的海面杂波具有独特的统计特性（海浪纹理频率与目标尺度接近），是当前方法的一个硬挑战，也是验证频域抑制思路泛化能力的好去处。
论文代码已开源于 GitHub (mengduann/NS-FPN)，含预训练权重与完整训练/测试脚本，方便直接复现。CVPR 2026 计划于 2026 年 6 月在丹佛召开，届时 proceedings 将在 CVF 官网 上线4。
封面图：图片来自 NS-FPN 官方代码仓库 (GitHub)
References
- 1
- 2
- 3NS-FPN 官方代码仓库 (GitHub)
github.com
- 4Paper Digest CVPR 2026 Highlights
paperdigest.org
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.