面向突发城市感知的车牌可恢复性映射

城市环境中包含许多为特定目的而构建的成像传感器，包括ATM、佩戴式、监控摄像头和车载摄像头。在突发感知范式下，这些传感器可以被重新用于如车牌识别等次要推理任务。然而，此类图像中感兴趣的对象常常是噪声较大、分辨率低且来自极端视角捕获的。近期的人工智能恢复技术可以即使从严重退化的图像中恢复有用信息。核心挑战在于确定哪些畸变参数允许可靠恢复，哪些则导致推理失败。本文引入可恢复性映射（recoverability maps），这是一种任务无关的方法，用于量化此边界。该方法结合了稠密的退化参数扫描与两个汇总度量：边界面积-under-curve（AUC），用于估算可恢复参数空间的比例；以及可靠性评分，捕捉该区域内失败频率和严重程度。我们在真实场景下的极端视角车牌识别上展示了该方法。训练和评估了包括U-Net、Restormer、Pix2Pix和SR3扩散模型在内的多种恢复架构。最佳模型可恢复约93%的参数空间。来自不同模型的相似结果表明，感知几何学而非网络架构决定了恢复的上限。