近日，计算机科学与技术学院2025级硕士研究生汪纯茂在导师焦铭教授指导下完成的研究成果“Modeling visual ambiguity: An uncertainty-aware boundary refinement network for camouflaged object detection”在人工智能国际权威期刊 Knowledge-Based Systems 发表。该期刊为JCR/中科院双一区（Q1）Top期刊，最新影响因子8.0。
伪装目标检测中，视觉模糊与边界不清是影响分割精度的核心难题。现有基于确定性特征映射的方法虽在多尺度融合与边界感知上引入专门模块，但受前景与背景高度相似的限制，高模糊区域的预测偏差仍难以有效抑制。针对这一问题，研究团队提出了一种全新的不确定性感知边界细化网络UABNet（整体框架见下图），融合多尺度上下文特征与像素级不确定性信息，能够生成边界更完整、鲁棒性更强的伪装目标分割结果。
具体而言，该网络包含三个关键设计。首先，设计粗粒度特征引导模块，通过多尺度特征聚合与双分支互补调制操作生成互补的前景—背景定位先验，强化全局语义引导能力。其次，构建不确定性引导融合模块，利用拉普拉斯重参数化显式建模像素级不确定性，并借助交错通道分组与细粒度分组卷积，实现不确定性与多尺度语义特征的细粒度交互与融合，提升高模糊区域的特征判别力。最后，提出渐进式尺度自适应解码器，在定位先验与不确定性感知特征的联合引导下，通过位置注意力与通道注意力的并行增强逐层恢复目标边界，保证解码过程的语义一致性和边界导向性，进一步提升分割结果的完整性与边界精度。
该框架为复杂伪装场景下的目标检测提供了新的实现方案，其不确定性建模与渐进式细化思路也为计算机视觉领域模糊目标分割研究提供了新思路。
