探讨光学畸变对图像分类与目标检测模型的影响
计算机视觉与模式识别
2025-04-28 v1
摘要
深度神经网络（DNN）已在各种计算机视觉应用中取得成功，使得模型甚至在安全关键情境中进行推断。因此，视觉模型必须对噪声或模糊等扰动作出稳健的响应。尽管已存在评估模型对各种损坏鲁棒性的基准测试，但模糊常常被过于简化地近似为模型视差所致，而忽略了来自光学系统的结果的不同模糊核形状。为研究模型对真实光学模糊效应的鲁棒性，本文提出两种模糊损坏数据集，分别称为 OpticsBench 和 LensCorruptions。OpticsBench 检查主要畸变，如 coma、视差和圆柱面畸变，即可通过调整 Zernike 多项式的单个参数来表示的畸变。为超越主要畸变的原则但合成的设置，LensCorruptions 采样 Zernike 多项式所张成的向量空间中的线性组合，对应 100 个真实镜头。针对 ImageNet 和 MSCOCO 上的图像分类和目标检测进行评估，结果显示对于各种不同的预训练模型，OpticsBench 和 LensCorruptions 的性能有显著差异，表明需要考虑真实的图像损坏来评估模型对模糊的鲁棒性。
关键词
引用
@article{arxiv.2504.18510,
title = {Examining the Impact of Optical Aberrations to Image Classification and Object Detection Models},
author = {Patrick Müller and Alexander Braun and Margret Keuper},
journal= {arXiv preprint arXiv:2504.18510},
year = {2025}
}
备注
v1.0