使用语义先验学习：通过分层 知识蒸馏 稳定点监督红外小目标检测

单帧红外小目标检测（ISTD）旨在在严重的背景杂波下定位弱目标，但密集的像素级注释非常昂贵。在线标签演化的点监督降低了注释成本；然而，轻量级 CNN 检测器通常缺乏足够的语义，导致噪声伪掩模和不稳定的优化。为了解决这个问题，我们提出了一个分层 VFM 驱动的 知识蒸馏 框架，该框架在训练期间使用冻结的视觉基础模型（VFM）。我们将点监督学习制定为双层优化过程：内循环使嵌入 VFM 的教师适应重新加权的训练样本，而外循环将验证引导的知识传输给轻量级学生，以减轻伪标签噪声和训练集偏差。我们进一步引入语义条件仿射调制（SCAM），将 VFM 语义注入多层 CNN 特征中。此外，具有集群级样本重新加权的动态协作学习策略增强了对不完美伪掩模的鲁棒性。对多个 ISTD 主干网的各种具有挑战性的案例进行的实验表明，检测准确性和训练稳定性得到了持续改进。我们的代码可在 https://github.com/yuanhang-yao/semantic-prior 获取。