FriendNet：检测友好的去雾网络
摘要
恶劣天气条件往往会降低捕获图像的质量，不可避免地影响用于高级驾驶辅助系统 (ADAS) 和自动驾驶的最先进物体检测模型。在本文中，我们提出了一个有趣的问题：图像复原与物体检测的结合能否增强恶劣天气条件下的检测性能？为了回答这个问题，我们提出了一种有效的架构，通过引导信息和任务驱动学习将图像去雾与物体检测联系起来，以实现检测友好的去雾，称为 FriendNet。FriendNet 旨在提供高质量的感知和高检测能力。与现有直观地将图像去雾视为预处理的工作不同，FriendNet 在这两项任务之间建立了正相关关系。去雾网络生成的清晰特征可能有助于提高物体检测性能。反之，在任务驱动学习方案下，物体检测关键地引导图像去雾网络的学习过程。我们阐明了下游任务如何引导上游去雾过程，同时考虑了网络架构和学习目标。我们设计了引导融合块 (GFB) 和引导注意力块 (GAB) 以促进检测信息融入网络。此外，检测任务损失的引入有助于细化优化过程。另外，我们引入了一种新的物理感知特征增强块 (PFEB)，它整合了基于物理的先验以增强特征提取和表示能力。在合成和真实世界数据集上的大量实验表明，我们的方法在图像质量和检测精度方面均优于最先进的方法。我们的源代码可在 https://github.com/fanyihua0309/FriendNet 获取。
引用
@article{arxiv.2403.04443,
title = {FriendNet: Detection-Friendly Dehazing Network},
author = {Yihua Fan and Yongzhen Wang and Mingqiang Wei and Fu Lee Wang and Haoran Xie},
journal= {arXiv preprint arXiv:2403.04443},
year = {2025}
}
备注
We identified a fundamental flaw in the theoretical framework of this submission, rendering the main argument unsound. To maintain academic rigor, we request withdrawal and will submit a revised version after thorough validation