نقدم دراسة شاملة حول مهمة جديدة تُسمى اكتشاف الأجسام المُخفيّة (COD)، والتي تهدف إلى تحديد الأجسام التي تُدمج "بشكل سلس" في بيئة محيطتها. تُعد هذه المهمة أكثر صعوبة بكثير من مهمة اكتشاف الأجسام التقليدية نظرًا إلى التشابه الداخلي العالي بين الجسم المستهدف والخلفية. ولحل هذه المشكلة، قمنا بجمع مجموعة بيانات جديدة بعناية، تُسمى COD10K، وتشمل 10,000 صورة تغطي أجسامًا مُخفيّة في مشاهد طبيعية متنوعة، وتضم أكثر من 78 فئة من الأجسام. وتم تسمية جميع الصور بشكل كثيف باستخدام تسميات متعددة المستوى، تشمل التصنيف، والمربع المحيط (Bounding Box)، والتسمية على مستوى الكائن أو المستوى الفردي، والتسمية على مستوى التصوير الشفاف (Matting Level). يمكن أن تُستخدم هذه المجموعة كمحفّز لدفع تقدّم العديد من المهام البصرية، مثل التحديد (Localization)، والتقسيم (Segmentation)، وعملية التصوير الشفاف (Alpha-matting)، وغيرها. بالإضافة إلى ذلك، طوّرنا إطارًا بسيطًا ولكن فعّالًا لحل مهمة COD، يُسمى شبكة التعرف بالبحث (SINet). وبلا أي إضافات معقدة، تفوق SINet العديد من النماذج البارزة في مجال اكتشاف الأجسام على جميع المجموعات التي تم اختبارها، مما يجعله إطارًا قويًا وعامًا يمكنه دعم الأبحاث المستقبلية في مجال COD. وأخيرًا، أجرينا دراسة واسعة النطاق على COD، وقمنا بتقييم 13 نموذجًا متطورًا، وقدمت نتائج مثيرة للاهتمام، وأظهرت عدة تطبيقات محتملة. تُقدّم أبحاثنا للمجتمع فرصة لاستكشاف مجال جديد أكثر في هذا المجال. سيتم إتاحة الشفرة المصدرية على الرابط: https://github.com/DengPingFan/SINet/.