复杂场景下的开集异常分割
计算机视觉与模式识别
2025-04-29 v1
摘要
对分布于分布外 (OoD) 对象的精确分割，在开放集、安全关键应用中至关重要，例如自动驾驶。当前异常分割基准主要关注有利的天气条件，导致不可信的评估，忽略了开放环境中多样化气象条件（如低照明、浓雾和暴雨）所构成的风险。为弥合这一差距，本文引入了 ComsAmy，这是一个专为开放集异常分割设计的具有挑战性的基准。ComsAmy 涵盖了广泛的恶劣天气条件、动态驾驶环境和多样化异常类型，以全面评估在真实开放世界场景中的模型性能。我们对几种最先进的异常分割模型进行了广泛评估，发现这些方法在面对此类挑战性场景时表现严重不足，这凸显了其在实际部署中存在严重的安全风险。为解决此问题，我们提出了一种新颖的能量-熵学习 (EEL) 策略，通过整合能量和熵的互补信息来增强在复杂开放世界环境中异常分割的鲁棒性。此外，本文提出了一种基于扩散的异常训练数据合成器，用于生成多样化且高质量的异常图像，以增强现有的复制-粘贴训练数据合成器。广泛的实验结果表明，我们提出的基于扩散的合成器与能量-熵学习 (DiffEEL) 作为一种有效且通用的即插即用方法，可显著提升现有模型，在 上平均提升约 4.96%，在 上平均提升约 9.87%。
引用
@article{arxiv.2504.19706,
title = {Open-set Anomaly Segmentation in Complex Scenarios},
author = {Song Xia and Yi Yu and Henghui Ding and Wenhan Yang and Shifei Liu and Alex C. Kot and Xudong Jiang},
journal= {arXiv preprint arXiv:2504.19706},
year = {2025}
}