SPIRE

红外小目标检测（IRSTD）是红外搜索与跟踪系统的基础模块，在军事侦察、边境监控、海上救援中承担着"从杂波背景中找到几个像素大小的热目标"的任务。这些目标极小（典型 2×2 到 9×9 像素）、极暗（信噪比可能仅几个量化级）、极稀疏（一张 640×640 的图上可能只有 1-3 个目标），使得 IRSTD 成为计算机视觉中最具挑战性的检测任务之一 #Ni-2026。

主流 IRSTD 方法沿用了语义分割的 encoder-decoder 范式：用密集的像素级掩码标注训练一个 U-Net 风格的分割网络，推理时再通过连通域聚类把分割掩码转换为检测坐标。DNANet #DNANet-2023 用密集嵌套注意力做多尺度融合，SCTransNet #SCTransNet-2024 引入空间-通道交叉 Transformer 建模长程依赖。这些方法的 F1 不断刷新纪录，但代价是越来越重的架构——SCTransNet 用 11.19M 参数、63.22 GFLOPs 换来 F1=97.09%。

图 1：SPIRE 的动机。现有方法面临三大局限——(a) 像素标注昂贵、正样本极度稀疏；(b) encoder-decoder 架构冗余，依赖大量特征融合和注意力；(c) 分割掩码转检测坐标引入定位不确定性。SPIRE 用单点监督 + encoder-only + 峰值提取同时解决三个问题（来源：SPIRE, Fig.1）

SPIRE 的作者（国防科技大学 NUDT 团队）提出了一个尖锐的问题：IRST 系统真正需要的是可靠的目标定位，而不是精确的轮廓重建。既然小目标只占几个像素，且边界被杂波模糊，那么强迫网络去分割每一个目标像素——然后再把这些像素聚类回坐标——不仅标注昂贵（每张图 11.4s），而且引入了不必要的架构复杂度和定位误差累积 #Ni-2026。

理解 SPIRE 的价值，需要先看清现有 IRSTD 范式的三重耦合瓶颈。

瓶颈 1：标注成本与监督稀疏

像素级掩码标注面临两个问题。第一是标注成本：MCLC #MCLC-2023 报告，单张红外图像的像素级标注平均需要 11.4 秒，而单点标注（只标注目标质心）仅需 1.4 秒——减少 87.72%。第二是监督稀疏：在 640×640 的输入上，典型目标仅占 4-81 个像素（0.001%-0.02%），极端的前景-背景不平衡导致 BCE 损失的梯度几乎完全被背景主导。

瓶颈 2：架构冗余

为了补偿监督信号的稀疏性，现有方法不得不堆叠多尺度融合和密集连接模块。DNANet 使用密集嵌套注意力在 5 个分辨率尺度间反复融合特征，SCTransNet 引入 Transformer 的长程注意力来抑制背景干扰。这些设计在通用视觉任务中是合理的，但对 IRSTD 来说是"用复杂性补偿监督不足"的间接路线——如果监督信号本身就足够稠密，就不需要这么重的架构来稳定优化。

瓶颈 3：定位不确定性

分割范式还有一个工程层面的隐患：检测坐标不是网络的直接输出，而是分割掩码经过 8-连通域聚类后的副产物。当一个真实目标在掩码上产生多个相邻连通块时（这在低 SNR 条件下非常常见），聚类可能把一个目标拆成多个检测，或者把噪声斑块聚成一个虚假检测——这种从"分割到定位"的转换引入了额外的误差和不稳定性。

SPIRE 的整体框架由三个模块组成：PRPS（离线构造监督信号）、HRPE（在线前向预测）、峰值提取（确定性推理）。三者的关系是：PRPS 把单点标注膨胀为与红外物理一致的概率响应图，HRPE 学习从红外图像到概率响应图的回归映射，峰值提取从预测响应图中提取目标质心坐标。

图 2：SPIRE 框架。上半部分为 PRPS 监督构造流程（坐标映射 → 高斯先验 → 梯度感知调制 → 概率响应图 P*），下半部分为 HRPE 编码器 + 峰值提取推理（来源：SPIRE, Fig.3）

PRPS：将单点标注变成物理一致的概率响应

PRPS（Point-Response Prior Supervision）是 SPIRE 的第一个核心创新。它要解决的问题是：单点 impulse 监督的梯度太稀疏（在 stride=4 的 160×160 热图上，单个正样本占比仅 0.004%），直接训练会导致梯度饥饿。

PRPS 的思路不是简单地用 Gaussian 替代 impulse，而是把红外小目标的物理成像特性编码进监督信号。具体分三步：

然后在原图局部邻域中搜索最大强度位置 $(\tilde{x}_k^*, \tilde{y}_k^*)$，使监督中心对齐真实辐射峰值而非标注者的目测位置。

其中 $\sigma=2$ 控制扩散范围，$r=3\sigma=6$ 定义截断边界。高斯核不归一化（峰值保持为 1），核的有效覆盖面积约 $\pi r^2 \approx 113$ 个热图像素——将监督密度从 0.004% 提升到 0.44%，足以维持稳定的梯度信号。

然后将高斯先验与对比度图逐元素相乘：

多个目标的响应图通过确定性聚合（取逐像素最大值）合并为最终监督图 $\mathbf{P}^*$。即使两个目标的高斯支撑区域重叠，质心回归仍保留各自独立的局部最大值。

HRPE：不需要 Decoder 的高分辨率编码器

HRPE（High-Resolution Probabilistic Encoder）是 SPIRE 的第二个核心创新——一个纯编码器、单分支、单分辨率的轻量网络。

HRPE 的结构简洁到可以用一段话描述：

这个 split–process–shuffle 设计借鉴自 ShuffleNet #ShuffleNet-2018，在极低参数量下实现了有效的跨通道信息交换。

graph LR
  A["输入 I
H×W×1"] --> B["Stem
2× stride-2 conv
C₀=64"]
  B --> C["Bottleneck
Residual Block"]
  C --> D["Transition
C=32"]
  D --> E["Channel
Reorganization
×N"]
  E --> F["1×1 Conv
→ P̂"]
  F --> G["峰值提取
→ 检测坐标"]

  style B fill:#ff8a65,color:#fff
  style E fill:#ffd54f,color:#333
  style F fill:#81c784,color:#fff
  style G fill:#64b5f6,color:#fff

关键设计选择：为什么 stride=4？

HRPE 在整个网络中保持恒定的 output stride $s=4$。这个选择经过了严格的消融验证：stride=8 时 F1 从 97.05 暴跌到 86.91（-10.14），Fa 从 1.02 飙升到 22.38（+22 倍）；stride=2 时 F1 反而下降到 95.25，且 FLOPs 增加到 26.77G。

SPIRE 的训练管线出奇地简单——不需要多阶段训练、伪掩码生成或课程学习策略。

监督信号离线构造

PRPS 监督图在数据预处理阶段离线构造，不参与网络的前向计算。对于每张训练图像，从单点标注出发，按 stride 映射 → 辐射峰值对齐 → Gaussian 先验 → 对比度调制 → 多目标聚合的顺序生成 $\mathbf{P}^* \in \mathbb{R}^{H' \times W'}$。这个监督图在训练过程中保持固定。

损失函数

SPIRE 使用标准的像素级 MSE 回归损失：

论文特别强调：不需要特殊的 imbalance-aware loss（如 Focal Loss 或 Dice Loss）。原因在于 PRPS 已经通过 Gaussian-like 监督将正样本占比从 0.004% 提升到 0.44%，提供了足够稠密的梯度信号。这与分割范式形成鲜明对比——分割方法必须依赖 weighted BCE 或 Focal Loss 来应对极端不平衡。

SPIRE 的推理过程不涉及掩码重建、连通域分析或任何学习型后处理——目标坐标通过纯确定性的峰值提取从预测响应图 $\hat{\mathbf{P}}$ 中获取。

四步峰值提取

偏移幅度固定为 $1/s$（stride=4 时为 0.25 像素）。这是一种极度简化的亚像素估计——不如抛物面拟合精确，但计算开销几乎为零。

评估协议

SPIRE 采用质心级评估：预测检测与真实质心的欧氏距离 $\le \delta=5$ 像素则判为 TP。所有方法（包括分割方法）的输出都被转换为质心坐标后统一评估，确保比较的公平性。报告指标包括 Precision、Recall（即检测概率 Pd）、F1 和虚警率 Fa（$= FP / N_{pixels}$）。

主实验：SIRST-UAVB + SIRST4

图 3：SPIRE 在 SIRST-UAVB 上的性能-效率权衡。气泡大小表示参数量。SPIRE 在保持高 F1 和 Precision 的同时，参数量和 FLOPs 都远低于竞品（来源：SPIRE, Fig.2）

消融实验 1：PRPS 监督形式

PRPS 比 impulse 监督高 2.78 个 F1，Fa 低 2.8 倍；比纯 Gaussian 高 0.77 个 F1，Fa 低 2.4 倍。Impulse 的梯度饥饿导致 Recall 下降 4.22 个点；纯 Gaussian 缺乏辐射梯度调制，虚警控制不如 PRPS。

图 4：PRPS 消融可视化。红色矩形为真实目标，红色圆圈为 TP，橙色圆圈为 FN。Impulse 监督产生多个虚假响应峰，纯 Gaussian 在杂波区域判别性不足，PRPS 产生单一干净的主峰（来源：SPIRE, Fig.4）

消融实验 2：HRPE 分辨率与组件

定性对比

图 5：SPIRE 与分割方法的定性对比。红框为真实目标，红圈为 TP，绿圈为 FP，橙圈为 FN。分割方法（DNANet, SCTransNet）常在单个目标周围产生多个相邻掩码响应，聚类后生成多余检测。SPIRE 每个目标只产生一个主峰，定位更干净（来源：SPIRE, Fig.5）

SPIRE 在研究版图上的位置

SPIRE 站在三条研究线索的交汇点上：单点监督（LESPS #LESPS-2023、MCLC #MCLC-2023 验证了标注效率的可行性）、热图回归（HRNet #HRNet-2019 确立了峰值提取范式）、轻量架构（ShuffleNet #ShuffleNet-2018 提供了通道重组组件）。它的创新不在于任何一条线索的深化，而在于将三者同时做到极致，并彻底删除 decoder——这种"减法"在当前"加法为主"的 IRSTD 领域是反直觉的。

可操作的研究启发

第一，物理先验应该编码进监督信号而非网络结构。PRPS 的对比度调制比在 encoder 中加入物理约束更简单、更可控。这一思路可以迁移到其他有物理成像模型的任务中（如 SAR 目标检测、医学影像定位）。

第二，encoder-only 在"回归型"任务上有天然优势。当输出不是密集分割而是稀疏坐标/热图时，decoder 的多尺度融合收益有限，甚至引入冗余。这对设计实时 IRST 系统有直接的工程价值。

第三，centroid-level 评估改变了 IRSTD 的竞争格局。SPIRE 的 Precision 99.82% 和 Fa 1.02 在像素级 IoU 评估下可能不占优势，但在"能否准确定位目标"这一下游任务的核心需求上，它的优势非常明显。

局限与开放问题

与红外图像压缩系列的关联

红外图像压缩系列 的核心主张之一是：红外压缩需要在低码率下保留对下游任务（检测、识别、测温）真正重要的信息。SPIRE 的 centroid-level 概率回归为"什么信息是重要的"提供了一个精确答案——目标质心位置的可靠估计比像素级轮廓重建更重要。这意味着一个面向 IRSTD 的压缩系统不需要保留目标的精确形状，只需要保证热图响应的主峰位置不被偏移——这是一个比 PSNR/MSSIM 更符合下游任务需求的压缩目标。

上一篇精读 RPCASSM 从稀疏-低秩分解角度解决 IRSTD，SPIRE 则从概率回归角度切入——两者代表了 IRSTD 领域"轻量化"浪潮的两种不同哲学。