桥接明暗驾驶环境
计算机视觉与模式识别
2025-08-26 v2
摘要
自动驾驶 (AD) 系统在恶劣环境条件下表现显著下降，如低照明和降雨。AD 数据集中恶劣条件的欠表示为解决此问题带来了挑战。为规避获取与标注恶劣天气数据成本的高额支出，我们提出一种新颖的域适应 (DA) 流程，将明天气图像转化为雾、雨、雪和夜间图像。我们系统性地开发与评估了多种新型数据生成管道，包括仿真-only、GAN-based 和混合扩散-GAN 方法，以从标注好的明天气图像合成逼真的恶劣图像。我们利用现有的 DA GAN，扩展其支持辅助输入，开发新颖的训练配方，同时利用模拟图像和真实图像。模拟图像通过提供完美匹配的图像对实现精确监督，而真实图像有助于弥合仿真到真实 (sim2real) 的差距。我们进一步提出一种方法，通过自适应与其源头图像混合来缓解 Stable-Diffusion img2img 输出中的幻觉与伪影。我们在合成数据上微调下游模型，并在 Adverse Conditions Dataset with Correspondences (ACDC) 上进行评估。在语义分割任务中实现整体提升 1.85 个百分点，夜间场景提升 4.62 个百分点，展示了该混合方法在恶劣条件下实现稳健 AD 感知的有效性。
引用
@article{arxiv.2508.13592,
title = {Bridging Clear and Adverse Driving Conditions},
author = {Yoel Shapiro and Yahia Showgan and Koustav Mullick},
journal= {arXiv preprint arXiv:2508.13592},
year = {2025}
}