ClimaOoD：通过基于物理真实的合成数据提高异常分割性能
计算机视觉与模式识别
2026-02-27 v2
摘要
异常分割旨在检测并定位超出预定义语义类别的未知或分布外 (out-of-distribution, OoD) 对象，这是安全自动驾驶的关键能力。然而，异常数据的稀缺性和有限多样性严重限制了模型在开放式环境中的泛化能力。现有方法通过合成数据生成来缓解此问题，既通过复制粘贴外部对象到驾驶场景中，也通过利用文本到图像扩散模型对异常区域进行填充。尽管这些方法提高了异常的多样性，但往往缺乏上下文一致性和物理真实性，导致合成数据与真实数据之间存在域间隙。本文提出了 ClimaDrive，一个 semantics 引导的图像到图像框架，用于合成语义连贯、天气多样且物理上合理的 OoD 驾驶数据。ClimaDrive 统一了结构引导的多天气生成与基于提示的异常填充，实现了视觉上逼真的训练数据生成。基于此框架，我们构建了 ClimaOoD，一个覆盖六种典型驾驶场景的大型基准数据集，涵盖晴朗和恶劣天气条件。对四种最先进的方法进行大量实验表明，使用 ClimaOoD 训练可显著提高异常分割性能。在所有方法上，AUROC、AP 和 FPR95 均取得显著提升，RbA 在 Fishyscapes LAF 上的 FPR95 从 3.97 降至 3.52。这些结果表明，ClimaOoD 增强了模型的鲁棒性，为更好的开放式异常检测提供了宝贵的训练数据。
引用
@article{arxiv.2512.02686,
title = {ClimaOoD: Improving Anomaly Segmentation via Physically Realistic Synthetic Data},
author = {Yuxing Liu and Zheng Li and Huanhuan Liang and Ji Zhang and Zeyu Sun and Yong Liu},
journal= {arXiv preprint arXiv:2512.02686},
year = {2026}
}
备注
Accepted by CVPR2026