위장 객체 검출(COD)은 지능형 광학 인지에서 중요한 공학적 과제이지만, 대상이 주변 환경과 매우 유사할 때 여전히 어려운 문제로 남아 있습니다. 편광 이미징은 상호보완적인 물리적 단서를 제공하지만, 기존 방식들은 일반적으로 고정된 멀티모달 입력 구성을 가정하며 편광 내부 조율과 적-녹-청(RGB) 및 편광 표현 간의 상호작용을 뒤얽히게 만듭니다. 본 논문에서는 별도로 최적화된 RGB 전용 구성과 편광 보조 구성을 지원하는 경량 게이트형 RGB-편광 융합 프레임워크인 LGFN을 제안합니다. 결정론적 모달리티 라우터(Modality Router)가 편광 가용성에 따라 적절한 구성을 선택합니다. 멀티모달 구성에서는 가용성 조건화 모달리티 게이트(Modality Gate)가 가용한 편광 브랜치를 보정하고, 게이트형 편광 허브(Gated Polarization Hub)가 명시적 편광 단서를 활용하여 학습된 선형 편광도(DoLP) 및 편광각(AoP) 표현을 조율하며, RGB-편광 교차 융합(Cross Fusion)이 제어된 잔차 상호작용을 통해 조율된 표현을 RGB 계층 구조에 도입합니다. 멀티모달 구성은 추론 시 샘플 종속적 통계나 수작업으로 제작된 품질 기술자를 전혀 필요로 하지 않습니다. 완전한 230개 이미지의 PCOD_1200 테스트 세트에서 RGB 전용 구성은 평균 절대 오차 0.0090, Dice 점수 0.8806, IoU(intersection over union) 0.8144를 기록하여, 평가된 RGB 기반 방법 중 6개 지표 전체에서 최고 성능을 달성했습니다. 공통 로컬 재평가 프로토콜 하에서 멀티모달 구성은 6개 지표 모두에서 PolarNet 및 IPNet을 능가합니다. IPNet과 비교했을 때 매개변수 수, 부동소수점 연산량(FLOPs), 지연 시간을 각각 53.1%, 73.6%, 63.0% 감소시킵니다. 소스 코드는 https://github.com/1hzf/LGFN 에서 제공될 예정입니다.
비전-언어 강화학습은 최근 위장 객체 검출(COD)에서 타깃 존재 국소화에서 강한 성능을 보여 주었다. 그러나 국소화는 결정의 한 면에 불과하다. 에이전트가 위장 타깃이 없는 평범한 이미지를 마주할 때, 여전히 위장 객체가 존재한다고 주장할까? 표준 COD 학습 및 평가 데이터는 양성(positive)만 포함하므로, 이 설정에서 최적화된 에이전트는 과탐지 바이어스를 갖게 될 수 있으며, 이는 객체 환각의 과제 특이적 형태로서 표준 COD 평가에서는 측정되지 않는다. 이 타깃 부재 행동을 정량화하기 위해, 우리는 각 hold-out COD 평가 이미지에서 위장 타깃을 제거하되 그럴듯한 배경은 유지하는 쌍(pair) 벤치마크인 Counterfactual COD(CF-COD)를 구축한다. CF-COD는 모델이 원본 이미지에서 타깃을 탐지하고 타깃 부재 반사실(counterfactual) 이미지에서는 기권(abstain)하는지 평가하며, 이를 Pair Accuracy(PA)로 요약한다. 또한 우리는 기권을 포함한 COD를 위한 쌍 반사실 프레임워크 CFCamo를 제안한다. 학습에서는 CFCamo가 Counterfactual Sequence Policy Optimization(CSPO)으로 Qwen3-VL-4B-Instruct 에이전트를 최적화하며, CSPO는 원본-반사실 쌍 롤아웃을 샘플링하고 Counterfactual Paired Reward(CPR)를 사용해 원본 이미지 탐지와 반사실 기권을 결합한다. CAMO-test에서 CFCamo는 기존 RL 기반 COD 기준선 대비 S_alpha를 +3.7%p 개선했고, CF-COD 전체에서 80.0-90.8% PA를 달성했다. 어블레이션은 반사실 결합을 제거하면 타깃 존재 COD 점수가 높음에도 PA가 1.4-5.2%로 떨어짐을 보여 주며, 타깃 존재 평가만으로는 탐지 또는 기권 행동을 특성화할 수 없음을 시사한다. 전반적으로, 이 결과는 CFCamo가 단순히 타깃 존재 국소화를 강화하는 것이 아니라, 타깃 존재 탐지와 타깃 부재 기권을 결합함으로써 COD 에이전트를 개선함을 나타낸다. 코드와 데이터는 https://github.com/suhang2000/CFCamo 에서 이용할 수 있다.