从雪到雨：评估基于模型的鲁棒训练的鲁棒性、校准与复杂度
计算机视觉与模式识别
2026-01-15 v1
摘要
对自然损坏的鲁棒性仍然是可靠深度学习的关键挑战，尤其是在安全敏感领域。我们研究了一系列基于模型的训练方法，这些方法利用学习到的干扰变化模型来生成真实的损坏，以及在干扰空间中结合随机覆盖与对抗细化的新混合策略。使用具有雪和雨损坏的挑战性非真实与真实交通标志识别数据集（CURE-TSR），我们评估了不同损坏严重程度下的准确性、校准和训练复杂度。我们的结果表明，基于模型的方法始终优于基线 Vanilla、对抗训练和 AugMix 基线，其中基于模型的对抗训练在所有损坏下提供了最强的鲁棒性，但以更高的计算量为代价；而基于模型的数据增强在 更低的计算复杂度下实现了可比的鲁棒性，且没有引起统计上显著的性能下降。这些发现强调了学习到的干扰模型对于捕捉自然变异性的重要性，并指明了在挑战性条件下构建更具弹性和校准模型的可行路径。
引用
@article{arxiv.2601.09153,
title = {From Snow to Rain: Evaluating Robustness, Calibration, and Complexity of Model-Based Robust Training},
author = {Josué Martínez-Martínez and Olivia Brown and Giselle Zeno and Pooya Khorrami and Rajmonda Caceres},
journal= {arXiv preprint arXiv:2601.09153},
year = {2026}
}
备注
11 pages