بناءً على طلبك، بصفتي مترجماً متخصصاً في النصوص التقنية والعلمية، أقدم لك الترجمة العربية للنص المذكور، مع مراعاة الدقة في المصطلحات والأسلوب الأكاديمي الرصين:يُعد اكتشاف الكائنات المموهة (Camouflaged Object Detection) مهمة ناشئة وصعبة في مجال الرؤية الحاسوبية، حيث تتطلب تحديد وتقسيم (Segmenting) الكائنات التي تمتزج بسلاسة مع بيئاتها نظراً للتشابه الكبير في اللون، والملمس، والحجم. وتزداد هذه المهمة تعقيداً بسبب ظروف الإضاءة المنخفضة، والاحتجاب الجزئي، وصغر حجم الكائنات، وعقيدة أنماط الخلفية، ووجود كائنات متعددة. وعلى الرغم من اقتراح العديد من الأساليب المتطورة لهذه المهمة، إلا أن الطرق الحالية لا تزال تواجه صعوبة في الكشف الدقيق عن الكائنات المموهة في السيناريوهات المعقدة، لا سيما تلك التي تحتوي على كائنات صغيرة ومتعددة، مما يشير إلى وجود مجال للتحسين.نقترح في هذا العمل "شبكة تكرارية متعددة المقاييس" (Multi-Scale Recursive Network) تقوم باستخلاص ميزات متعددة المقاييس عبر بنية أساسية (Backbone) من نوع محولات الرؤية الهرمية (Pyramid Vision Transformer)، وتجمعها عبر "وحدات تكامل المقياس القائمة على الانتباه" المتخصصة، مما يتيح دمج الميزات بشكل انتقائي. ومن أجل كشف أكثر دقة للكائنات، تقوم وحدة فك التشفير (Decoder) لدينا بتحسين الميزات بشكل تكراري من خلال دمج "وحدات الدمج متعددة الحبيبات" (Multi-Granularity Fusion Units). كما تم تطوير استراتيجية جديدة لفك التشفير ذات تغذية راجعة تكرارية لتعزيز فهم السياق الشامل، مما يساعد النموذج على التغلب على التحديات الكامنة في هذه المهمة.من خلال الاستفادة المشتركة من التعلم متعدد المقاييس وتحسين الميزات التكراري، تحقق طريقتنا المقترحة مكاسب في الأداء، وتنجح في الكشف عن الكائنات المموهة الصغيرة والمتعددة. يحقق نموذجنا أحدث النتائج (State-of-the-art) في مجموعتين من البيانات المرجعية لكشف الكائنات المموهة، ويحتل المرتبة الثانية في المجموعتين المتبقيتين. تتوفر الأكواد البرمجية وأوزان النموذج والنتائج الخاصة بنا على الرابط: href{https://github.com/linaagh98/MSRNet}{https://github.com/linaagh98/MSRNet}.