雾霾人群计数：结合物理先验与 KAN 图
计算机视觉与模式识别
2025-09-30 v1
摘要
本文旨在解决雾霾环境下人群计数的关键挑战问题，如目标长程模糊、局部特征退化和图像对比度衰减，提出一种基于大气散射物理先验的人群计数方法，通过物理机制与数据驱动的协同优化，提高复杂气象条件下的计数精度。具体而言，本文首先引入可微分的大气散射模型，并采用色度动态估计和散射参数自适应标定技术，准确量化不同场深目标在雾霾下的非线性衰减规律。其次，基于Kolmogorov-Arnold表示定理设计了MSA-KAN，以构建可学习的边缘激活函数。通过融合多层渐进架构与自适应跳跃连接，显著提升模型在特征退化区域的非线性表征能力，有效抑制雾霾干扰下的特征混淆。最后，本文进一步提出了基于天气感知的图卷积网络（weather-aware GCN），利用MSA-KAN提取的深度特征动态构建空间邻接矩阵。实验在四个公开数据集上表明，在密集雾霾场景下，本方法相较于主流算法在MAE指标上降低12.2%-27.5%。
引用
@article{arxiv.2509.24545,
title = {Foggy Crowd Counting: Combining Physical Priors and KAN-Graph},
author = {Yuhao Wang and Zhuoran Zheng and Han Hu and Dianjie Lu and Guijuan Zhang and Chen Lyu},
journal= {arXiv preprint arXiv:2509.24545},
year = {2025}
}