本文经计算机视觉研究院公众号授权转载，转载请联系出处。
PART/1 概述
目前的OD算法对于长距离的小物体的成功率有限。为了提高这项任务的准确性和效率，我们提出了一套新的算法，将图像划分为块，选择具有不同尺度对象的块，详细说明小对象的细节，并尽早检测到它。我们的方法建立在transformer的网络上，并集成了扩散模型以提高检测精度。如在BDD100K，我们的算法将小目标的mAP从1.03提高到8.93，并将计算中的数据量减少了77%以上。
PART/2 背景
物体检测（OD）在许多现实场景的应用中发挥着至关重要的作用，如自动驾驶和机器人。尽管针对这项任务的各种算法激增，但现有方法在早期目标检测方面仍然面临重大挑战，这是实现快速和主动决策的关键方面。在这样的场景中，由于距离长，捕获图像中的对象的大小通常会显著减小。
如上图所示，当图像仅包含有限数量的对象，并且由于数据量不足，目标检测的性能显著不理想。为了应对这一挑战，我们可以利用超分辨率（SR）算法来重建更高分辨率的图像，从而增加可用于后续目标检测模型的数据。SR也是计算机视觉中的一个经典问题，拥有大量为该任务量身定制的解决方案。
最近，与生成对抗性网络（GAN）相比，扩散模型，如DDPM，在图像生成方面表现出了显著的能力，并表现出了更大的稳定性。此外，专注于条件扩散模型（CDM）应用于SR的研究取得了显著进展。通过利用扩散模型生成高分辨率图像，我们可以显著提高目标检测性能。然而，扩散模型具有巨大的计算成本，这对自动驾驶等现实的应用构成了挑战。从上图中的图像示例来看，图像的整体细化会对背景像素造成相当大的计算负担，导致资源的过度浪费，对OD没有任何有意义的贡献。
PART/3 新框架详细分解
如下图所示，DPR包括三个关键模块：Patch-Selector, Patch-Refiner, Patch-Organizer。Patch-Selector模块负责提取补丁特征并执行分类。接下来，Patch-Refiner模块详细阐述了正补丁，利用CDM将其重建到更高的分辨率，从而提高了目标检测精度。最后，为了完全展示我们提出的方法的效率和准确性，我们使用廉价的插值技术来放大负补丁，并将所有补丁组织成完整的图像，以便于与原始图像进行直接比较。接下来我们对所有模块进行了详细讨论，并概述了算法1中提出的DPR的具体训练过程。此外，算法2详细说明了采样和测试过程。
Patch-Selector模块的设计如下图：(a)利用分层结构编码器，输入图像被嵌入到三个不同尺度的特征中。随后，对这些特征中的补丁进行分类和聚合，以形成最终输出。(b)每个变换器层（TL）包括一个特征合并块和多个基于窗口的自关注块。
PART/4 实验及可视化
为了权衡计算和性能，在下表中对将图像从64×64放大到512×512时的不同阈值进行了补丁分类实验。第二排的mAP为4.33，是最佳选择，计算量减少了63%。
对于具有相同阈值的从128×128到1024×1024的FBDD上采样，我们的PS模块仅输出22.8%的CDM生成和OD补丁，并且与CDM相比，PS的FLOP可以忽略不计，这意味着与全图像生成相比，我们节省了77.2%的计算，如下表所示：
上图显示了集成补丁后BI和DPR的可视化比较。虽然DPR生成的总体图像看起来与BI相似，但包含对象的关键补丁显示出更精细的细节，这表明CDM只需要处理少量数据，从而实现更高效的计算。
