面向暗光实时交通目标感知的生物启发式可分离学习视觉模型
计算机视觉与模式识别
2025-09-08 v1
摘要
低光照交通场景中快速准确的目标感知日益受到关注。然而，由于严重的照度退化及可靠视觉线索的缺乏，现有感知模型与方法难以在低光环境中快速适应并精确预测。此外，目前尚缺乏专门针对低光照交通场景的大规模基准数据集。为弥补这一不足，我们引入了一种基于物理、针对真实低光环境的照度退化方法，并构建了 Dark-traffic——目前最大规模的低光照交通场景密集标注数据集，支持目标检测、实例分割和光流估计。我们进一步提出了可分离学习视觉模型（SLVM），这是一个受生物启发的框架，旨在增强不利光照条件下的感知能力。SLVM 集成了四个关键组件：用于光照敏感特征提取的光自适应瞳孔机制、用于高效表示的特征级可分离学习策略、用于多任务可分离学习的任务特定解耦分支，以及用于精确多特征对齐的空间错位感知融合模块。大量实验表明，SLVM 以更低的计算开销实现了最先进的性能。值得注意的是，在 Dark-traffic 数据集上，其检测性能比 RT-DETR 高出 11.2 个百分点，实例分割性能比 YOLOv12 高出 6.1 个百分点，并将基线的端点误差（EPE）降低了 12.37%。在 LIS 基准上，端到端训练的 SLVM 在关键指标上平均比 Swin Transformer+EnlightenGAN 和 ConvNeXt-T+EnlightenGAN 高出 11 个百分点，比 Mask RCNN（带光照增强）高出 3.1 个百分点。Dark-traffic 数据集和完整代码已在 https://github.com/alanli1997/slvm 发布。
引用
@article{arxiv.2509.05012,
title = {A biologically inspired separable learning vision model for real-time traffic object perception in Dark},
author = {Hulin Li and Qiliang Ren and Jun Li and Hanbing Wei and Zheng Liu and Linfang Fan},
journal= {arXiv preprint arXiv:2509.05012},
year = {2025}
}