RPCANet++：深度可解释鲁棒PCA稀疏目标分割框架

近日，电子科技大学、南开大学、清华大学等机构联合发布了RPCANet++，这是一篇将传统鲁棒主成分分析（RPCA）与深度展开网络（DUN）相结合的前沿研究。该工作不仅在红外小目标检测、血管分割、缺陷检测等多个任务上达到了SOTA性能，更重要的是，它开创性地将模型可解释性与深度学习灵活性完美融合，为稀疏目标分割领域树立了新的标杆。

📖 一、研究背景与动机

1.1 什么是 RPCA？

鲁棒主成分分析（Robust PCA, RPCA）是经典 PCA 的扩展版本，其核心思想是将观测矩阵分解为两个组件：

D = B + O D = B + OD