从训练配方视角弥合不利天气分割的泛化差距
计算机视觉与模式识别
2026-05-28 v1
摘要
本文描述了我们为 8 届 UG2+ 工作坊（CVPR 2026）Track 2 所采用的方案，旨加工目标为对恶劣天气（模糊、黑暗、雪、雾、耀斑）导致退化的户外场景进行语义分割。我们观察到的核心挑战是严重的泛化差距——在验证集上表现良好的模型往往在测试集上崩溃。例如，SegFormer-B5 从验证到测试的 mIoU 下降 16.1 分，表明模型容量本身对于鲁棒性并不足。我们调查是否可以通过精心设计的训练配方（而非架构复杂度）来解决此差距。我们从预训练的 SegMAN-S 主干开始，系统性地研究了 domain-adaptive 微调、multi-source 数据混合、scene-balanced 抽样以及 synthetic degradation 数据增强的效果。我们的最终系统在官方测试集上实现了 59.9% mIoU，同时维持了仅 6.5 分的验证-测试差距——仅为大型模型的一半。我们分析了架构修改、损失函数变体和模型扩展带来的负面结果，提供了在有限数据条件下实现天气鲁棒分割的实用见解。
引用
@article{arxiv.2605.27962,
title = {Bridging the Generalization Gap in Adverse Weather Segmentation: A Training Recipe Perspective},
author = {Cong Xu and Pu Luo and Yumei Li and Boyou Xue},
journal= {arXiv preprint arXiv:2605.27962},
year = {2026}
}