[論文レビュー] MDAFNet: Multiscale Differential Edge and Adaptive Frequency Guided Network for Infrared Small Target Detection

Shuying Li, Qiang Ma+3 more|arXiv (Cornell University)|Jan 23, 2026

Infrared Target Detection Methodologies被引用数 0

ひとこと要約

MDAFNetは、エッジ詳細を保持するマルチスケール微分エッジ（MSDE）モジュールと、赤外小目標検出のノイズを抑制しつつ高周波ターゲットを適応的に強化するデュアルドメイン適応機能強化（DAFE）モジュールを導入し、複数のベンチマークで最先端の成果を達成します。

ABSTRACT

Infrared small target detection (IRSTD) plays a crucial role in numerous military and civilian applications. However, existing methods often face the gradual degradation of target edge pixels as the number of network layers increases, and traditional convolution struggles to differentiate between frequency components during feature extraction, leading to low-frequency backgrounds interfering with high-frequency targets and high-frequency noise triggering false detections. To address these limitations, we propose MDAFNet (Multi-scale Differential Edge and Adaptive Frequency Guided Network for Infrared Small Target Detection), which integrates the Multi-Scale Differential Edge (MSDE) module and Dual-Domain Adaptive Feature Enhancement (DAFE) module. The MSDE module, through a multi-scale edge extraction and enhancement mechanism, effectively compensates for the cumulative loss of target edge information during downsampling. The DAFE module combines frequency domain processing mechanisms with simulated frequency decomposition and fusion mechanisms in the spatial domain to effectively improve the network's capability to adaptively enhance high-frequency targets and selectively suppress high-frequency noise. Experimental results on multiple datasets demonstrate the superior detection performance of MDAFNet.

研究の動機と目的

• IRSTDにおけるダウンサンプリングによる深層ネットワークのエッジ情報劣化へ対処する。
• 周波数領域処理を通じて高周波背景雑音と高周波ノイズを緩和する。
• ターゲットの形状を維持しつつ高周波ターゲット信号を強化する。
• スケール間でターゲット信号とノイズを区別する適応的特徴強化を実現する。

提案手法

• スキップ接続でマルチスケールエッジ特徴を抽出・統合してエッジ情報の喪失を補償するMSDEモジュールを提案する。
• Haarウェーブレット変換を用いて特徴を周波数サブバンドに分解し、MSKPでマルチスケール知覚を行い、ストリッププーリングによるAdaptive Frequency Modulationで低周波・高周波成分を均衡させるDAFEモジュールを提案する。
• 深層監視（SLS Loss）を伴うU字型エンコーダ–デコーダ骨幹にMSDEとDAFEを統合する。
• スキップ接続でメイン、エッジ、エッジ・メインの特徴を三経路で適応融合する。
• IoU、Pd、Faを指標としてIRDST-1K、NUAA-SIRST、SIRST-Augで評価する。

実験結果

リサーチクエスチョン

• RQ1 ダウンサンプリングを通じて目標エッジ情報をマルチスケールエッジ強化モジュールが保持できるか？
• RQ2 デュアルドメイン（空間と周波数）処理は赤外目標と高周波背景/ノイズの識別を改善するか？
• RQ3 スキップ接続での適応周波数誘導強調は複数データセットのIRSTD検出性能を改善するか？
• RQ4 MSDEとDAFEを個別および共同で全体性能にどのように寄与するか？

主な発見

Dataset	IoU (%)	Pd (%)	Fa (×10^-6)
IRDST-1K	70.11	95.92	8.43
NUAA-SIRST	79.42	100.00	3.90
SIRST-Aug	75.60	99.45	15.15

• MDAFNetはIoU、Pd、Fa指標でIRSTD-1K、NUAA-SIRST、SIRST-Augにおいて最先端の性能を達成した。
• アブレーションによりMSDEとDAFEのそれぞれが性能を改善し、組み合わせが最良の結果をもたらす。
• MDAFNetはIoU値をIRTSD-1Kで70.11、NUAA-SIRSTで79.42、SIRST-Augで75.60に達成。
• Pd値はそれぞれ三つのデータセットで95.92、100.00、99.45に達する。
• False alarm rateは三つのベンチマークでそれぞれ8.43、3.90、15.15（×10^-6）に低減した。
• MSDEのトリプルパス融合は単純な融合戦略よりも優れており、適応型トリプルパス統合の有効性を確認した。
• DAFE内のAFMベース周波数変調は高周波ノイズを効果的に抑制しつつ高周波ターゲット細部を保持する。