ADAM-Dehaze：面向雾天条件下 improved 对象检测的自适应密度感知多阶段去雾
计算机视觉与模式识别
2025-06-23 v1
摘要
不利天气条件,特别是雾,为自动驾驶车辆、监视系统等安全关键应用构成重大挑战,通过严重降低视觉信息。我们引入ADAM-Dehaze,一个自适应、密度感知的去雾框架,在不同雾强度下联合优化图像恢复和对象检测。轻量级Haze Density Estimation Network(HDEN)对每个输入分类为轻雾、中雾或重雾。基于此评分,系统会动态将图像路由到三个CORUN分支中的一个:Light、Medium或Complex,每个分支均针对其雾强度 regimes 进行优化。我们提出了一种自适应损失函数,在物理模型一致性和感知保真度之间实现平衡,确保准确去雾并保留细节。实验在Cityscapes和真实世界RTTS基准上表明,ADAM-Dehaze在PSNR提升最高达2.1 dB,FADE降低30%,对象检测mAP提升最高13分,同时推理时间缩短20%。这些结果凸显了强度特定处理和与下游视觉任务无缝集成的重要性。代码已公开:https://github.com/talha-alam/ADAM-Dehaze.
引用
@article{arxiv.2506.15837,
title = {ADAM-Dehaze: Adaptive Density-Aware Multi-Stage Dehazing for Improved Object Detection in Foggy Conditions},
author = {Fatmah AlHindaassi and Mohammed Talha Alam and Fakhri Karray},
journal= {arXiv preprint arXiv:2506.15837},
year = {2025}
}
备注
Under-review at IEEE SMC 2025