将离散变连续：用于低光环境下人检测粗粒度评估的合成 RAW 增强
计算机视觉与模式识别
2026-05-22 v1 人工智能
机器学习
光学
摘要
AI 视觉模型的实际部署既受数据用于训练和测试所需数据的驱动，也受其所能获得数据的限制。真实数据集稀疏且不均衡：长尾或不平衡的分布阻碍泛化，低密度区域的样本数量不足以进行评估。合成数据可以填补这些差距，为基准测试提供更连续的输入空间抽样，从而提高数据覆盖。我们聚焦于自动驾驶安全关键场景下的恂行人检测，表明合成低光样本可更好地表征以函数为场景照明 characterize 状态的领先目标检测模型性能。我们采用合成 RAW 图像增强技术生成低光样本，匹配相机传感器的噪声模型。在真实和合成低光数据上的绩效指标相似，这表明 AI 模型难以区分两者之间的差异。
引用
@article{arxiv.2605.22455,
title = {Making the Discrete Continuous: Synthetic RAW Augmentations for Fine-Grained Evaluation of Person Detection Performance in Low Light},
author = {Valeria Pais and Malena Mendilaharzu and Daniele Faccio and Luis Oala and Christoph Clausen and Bruno Sanguinetti},
journal= {arXiv preprint arXiv:2605.22455},
year = {2026}
}
备注
Accepted non-archival paper at the CVPR 2026 AUTOPILOT Workshop (Autonomous Understanding Through Open-world Perception and Integrated Language Models for On-road Tasks)