EQ-TAA：通过基于扩散的事故视频合成实现等变交通事故预测
多媒体
2025-06-13 v1 人工智能
计算机视觉与模式识别
机器人学
摘要
交通场景中的交通事故预测（TAA）是实现未来零伤亡的一个具有挑战性的问题。当前方法通常将 TAA 视为需要繁琐标注事故发生持续时间的监督学习任务。然而，交通场景固有的长尾性、不确定性和快速演化特性导致事故的真实因果部分难以识别，并且容易被数据偏差主导，从而产生背景混淆问题。因此，我们提出了一个注意力视频扩散（AVD）模型，通过生成行车记录仪视频中事故的因果部分（即从正常片段到事故片段）来合成额外的事故视频片段。AVD 旨在基于事故或无事故文本提示生成因果视频帧，同时在视频生成后保留帧的风格和内容以用于 TAA。该方法可以使用来自各种驾驶场景的数据集进行训练，无需任何额外标注。此外，AVD 通过等变三元损失为一个锚点无事故视频片段以及生成的一对对比伪正常和伪事故片段促进了等变 TAA（EQ-TAA）。进行了大量实验来评估 AVD 和 EQ-TAA 的性能，并与最先进方法取得了具有竞争力的性能。
引用
@article{arxiv.2506.10002,
title = {EQ-TAA: Equivariant Traffic Accident Anticipation via Diffusion-Based Accident Video Synthesis},
author = {Jianwu Fang and Lei-Lei Li and Zhedong Zheng and Hongkai Yu and Jianru Xue and Zhengguo Li and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2506.10002},
year = {2025}
}
备注
Accepted by IEEE-TMM