ECFNet 解读：ECCV 2026 如何用粗到细框架减少高分辨率红外检测冗余

它不是再堆一个更大的检测器，而是先把背景算力砍掉

ECFNet 的出发点是高分辨率红外图像里的一个实际问题：小目标只占极少区域，但单阶段检测器会在整张图上做密集预测，很多计算花在没有目标的背景上。论文把这个问题拆成两步：先粗略识别哪些区域可能包含目标，再只对这些区域做精细定位。1

这篇论文题为 Denoising-Enhanced Coarse-to-Fine Infrared Small Target Detection with Attention Prior-Guided Knowledge Distillation，arXiv 页面显示初版提交于 2026 年 6 月 20 日，v2 修订于 2026 年 6 月 27 日，并标注 Accepted by ECCV 2026。作者为 Houzhang Fang、Ruixuan Huang、Qiuhuan Chen、Xiaolin Wang、Yi Chang、Luxin Yan，机构包括西安电子科技大学和华中科技大学，通讯作者为 Ruixuan Huang。1

这篇文章的关键不在「粗到细」四个字本身。更值得看的是它怎么让粗阶段不只是裁 patch，而是学会保留目标上下文；又怎么让细阶段的轻量模型继承强教师的目标注意力。

粗阶段：RBCN 先做网格级二分类

ECFNet 的第一阶段叫 Region Binary Classification Network，简称 RBCN。它不直接输出像素级 mask，而是把输入图像划成 N×N 的非重叠网格，并预测每个网格是否包含目标。论文设置阈值 0.5，高于阈值的网格进入后续候选区域。粗阶段损失由 BCE 和 IoU loss 组成。2

这个设计的直觉很清楚：如果一张高分辨率红外图像里只有很少几个疑似目标区域，先做网格级筛选可以避免在大面积背景上重复计算。代价是粗阶段必须有足够高的召回率，否则后面再强的精检测器也救不回来。

为了解决「网格切碎目标」的问题，ECFNet 又引入 ExpSlicer。它从 RBCN 输出的多尺度金字塔区域特征图里聚合候选 patch，尽量保证目标被完整包含，同时保留周围上下文。这里的上下文很重要：红外小目标本身弱，离开周边背景后，很容易和噪声点、鸟、云边等干扰混在一起。

DAT：让粗阶段见过「像目标的假噪声」

RBCN 的难点是背景里有很多目标状干扰。ECFNet 的 DAT，也就是 Denoising-Assisted Training，专门处理这个问题。

DAT 用二维高斯函数合成 target-like noise，把噪声和 GT mask 加到 RBCN feature space 里，再让辅助分支重建原始 GT mask。损失同样由 BCE 和 IoU loss 组成，且在 3 个尺度上计算。论文的说法是，这会迫使网络利用目标周围上下文，而不是只盯着孤立亮点。2

这个模块是 ECFNet 的主要收益来源。主消融表显示，自建 baseline 的 P/R/AP50 为 88.23/87.32/87.26；只加 APKD 时变为 89.17/89.56/89.30，AP50 增加 2.10；只加 DAT 时变为 93.45/90.32/92.71，AP50 增加 5.45；DAT 和 APKD 同时加入后达到 95.96/91.63/95.87，AP50 总增益 8.61。2

这组数值说明，ECFNet 的胜负手在粗阶段。APKD 很有用，但如果 RBCN 给出的候选区域质量不够，后面的蒸馏很难弥补。

细阶段：轻量检测器加上注意力先验蒸馏

在 fine stage，ECFNet 对粗阶段切出的局部区域做目标级或像素级检测。论文说它定制了轻量检测器，用 channel-adaptive scaling 和更少的 detection heads 来平衡精度与效率，并采用 YOLOv12 作为教师模型。2

APKD 的思路是把教师模型的空间注意力传给学生。普通注意力蒸馏常把特征图展平成 1D tokens，容易丢掉红外小目标的空间局部性；APKD 直接在多维空间特征上做 teacher-student cross-attention。学生特征作为 query，教师特征作为 key，得到的注意力权重再调制学生特征，使轻量 detector 更关注教师认为关键的目标区域。2

论文还报告，不同教师模型复杂度相差可达 7 倍时，APKD 仍能带来超过 2.15 的 AP50 提升；在蒸馏策略对比中，APKD 的 AP50 最多领先第二名 4.72，R 最多领先 1.31。2

实验：三数据集同时看目标级和像素级

实验在 UAV、Car、IRSTD-1k 三个真实红外小目标数据集上做。UAV 和 Car 是作者自建数据集，分别包含 98,420 和 18,230 张 640×512 红外图像，按 7:2:1 划分训练、验证、测试集。目标级指标为 P、R、AP50；像素级指标为 Pd、Fa、nIoU；效率指标为 FLOPs、Params、FPS，FPS 在 batch size 1 下统计。2

目标级主表里，ECFNet 在三套数据上都排第一：

方法	UAV P/R/AP50	Car P/R/AP50	IRSTD-1k P/R/AP50	FLOPs / Params / FPS
ESOD-L	86.28 / 83.05 / 85.63	94.75 / 91.73 / 93.32	78.59 / 76.37 / 78.33	38.1 / 72.8 / 86
YOLOv12-L	95.92 / 87.91 / 93.12	96.09 / 82.87 / 91.94	87.26 / 72.78 / 81.61	88.9 / 26.4 / 76
D-FINE-L	95.27 / 91.32 / 93.18	94.38 / 91.63 / 93.68	85.67 / 81.56 / 83.53	90.7 / 30.6 / 40
ECFNet	95.96 / 91.63 / 95.87	96.55 / 92.16 / 96.06	90.18 / 84.71 / 89.23	31.7 / 22.7 / 90

像素级结果也比较强。ECFNet 在 UAV 上达到 Pd 83.56、Fa 11.69、nIoU 56.11；在 Car 上达到 85.45、10.52、58.21；在 IRSTD-1k 上达到 94.91、9.94、69.67。对应效率为 34.3 GFLOPs、24.1M 参数、85 FPS。2

这里有个值得注意的细节：ECFNet 的目标级计算量比 D-FINE-L、DINO、QueryDet 低很多，FPS 也更高；但它并不是参数量最小的模型。它的优势来自先筛区域再局部精检，而不是单纯把网络做小。

网格大小：20×20 是这篇论文选出的折中点

RBCN 的网格分辨率不是越细越好。消融显示，10×10 网格的 CRP/CRR/AP50 为 93.42/95.57/93.84，20×20 达到 94.13/95.69/95.70，40×40 则降到 82.64/79.43/81.62。2

这组结果很好理解。10×10 patch 更大，能保留上下文，但会把更多背景杂波带进 fine detector；40×40 patch 更细，目标周边上下文不够，预测复杂度也上升。20×20 对 640×512 输入约等于每个网格覆盖一个较合适的局部区域，因此在召回、精度和计算之间更平衡。

DAT 的细消融也支持这个判断。没有 DAT 时 CRP/CRR 为 89.38/93.45；只加 feature map loss 是 92.80/94.35；直接拼 GT mask 是 92.62/94.11；加入噪声后的 DAT 达到 94.13/95.69。也就是说，DAT 的有效点不只是「多一个辅助 loss」，而是让粗阶段见过目标状干扰，并学会从上下文里排除它。2

复现价值与缺口

ECFNet 对红外弱小目标方向有两个明确价值。

第一，它把「先粗后细」做成了可量化的候选区域学习问题。CRP 和 CRR 分别衡量粗阶段候选区域的精确度与召回覆盖，阈值设置为 0.9。对研究者来说，这比只看最终 AP 更容易定位错误来自粗筛还是精检。2

第二，它证明粗阶段上下文建模会直接影响最终 AP50。DAT 单独带来的 AP50 增益高于 APKD，说明高分辨率 IRSTD 里，候选区域质量可能比精检测器本身更先决定上限。

当前缺口也要说清楚：本轮没有找到 ECFNet 的官方公开代码仓库，arXiv 摘要页也没有附代码链接。论文使用的 UAV 和 Car 数据集为作者自建，虽然给出规模和划分比例，但正文说明更多数据源、目标尺度分布、背景特征在补充材料中。对外部复现者来说，最快的验证路径不是完整复刻 ECFNet，而是先复现 RBCN + DAT 的粗阶段，看 20×20 网格下 CRP/CRR 是否能接近论文报告的 94.13/95.69。