基于 Clear2Fog 管线的合成雾霾目标检测数据效率研究
计算机视觉与模式识别
2026-05-14 v1
摘要
在恶劣天气环境下的目标检测对于自动驾驶车辆的安全至关重要;然而,标注的真实雾霾数据稀缺成为重要瓶颈。本文提出 Clear2Fog (C2F), 一个端到端的基于物理的管线, 用于仿真明天气数据集中的雾霾, 并确保相机和 LiDAR 之间的传感器级一致性。通过单目深度估计和一种新颖的大气光估计方法, C2F 克服了现有技术中常见的结构性瑕疵和色彩偏差。人类感知研究确认 C2F 的物理真实性，其中生成的图像在 92.95% 的情况下被偏好于已 established 方法。利用来自 Waymo Open 数据集的 27 万张图像构建训练集, 我们进行了广泛的数据效率研究以探讨环境多样性如何影响模型鲁棒性。我们的发现表明, 在 75% 比例下使用混合密度雾霾数据集训练的模型, 在 100% 比例下使用固定密度数据集训练的模型表现更好。此外, 我们研究了合成到真实的迁移通过在真实雾霾数据上微调预训练模型。我们展示了使用默认微调学习率的十倍增加成功克服了合成偏差的负迁移, 相对于仅使用真实数据的基线提高了 1.67 个 mAP。C2F 管线提供了一个可扩展的框架, 用于增强自动化系统在恶劣天气条件下的可靠性, 并展示了多样化合成数据集在高效模型训练中的潜力。
引用
@article{arxiv.2605.12608,
title = {A Data Efficiency Study of Synthetic Fog for Object Detection Using the Clear2Fog Pipeline},
author = {Mohamed Ahmed Mohamed and Xiaowei Huang},
journal= {arXiv preprint arXiv:2605.12608},
year = {2026}
}
备注
Project code and experimental configs available at https://github.com/mmohamed28/Clear2Fog