从滤镜到视觉语言模型：基于目标检测和分割性能评估去雾方法
计算机与社会
2025-10-07 v1
摘要
自动驾驶感知系统在雾天尤其脆弱，光散射降低对比度，遮蔽对安全运行至关重要的细节。虽然存在大量去雾方法，从手工滤镜到学习恢复模型，但图像保真度的提升并不一致地转化为更好的下游检测和分割性能。此外，先前的评估常依赖合成数据，引发对现实可迁�性的担忧。我们提出了一项结构化的实证研究，对包括经典去雾滤镜、现代去雾网络、结合滤镜和模型的链式变体以及直接应用于雾中图像的提示驱动式视觉语言图像编辑模型等在内的全面去雾管线进行基准测试。为弥合模拟环境与物理环境之间的差距，我们在合成 Foggy Cityscapes 数据集和真实世界 Adverse Conditions Dataset with Correspondences (ACDC) 两个数据集上进行评估。我们通过在合成雾和真实条件下评估检测平均精度和分割全景质量，来检验其泛化能力，同时评估图像质量和下游感知。我们的分析确定了去雾何时有效、模型组合的影响以及视觉语言模型与传统方法之间的比较。我们另外报告了来自人类和视觉语言模型裁判的定性基于 rubric 的评估，并分析了其与下游任务指标之间的一致性。总体而言，这些结果为去雾方法建立了一个透明、以任务为导向的基准，确定了预处理在自动驾驶 adverse 天气感知中何时具有意义性提升的条件。项目页面: https://aradfir.github.io/filters-to-vlms-defogging-page/
引用
@article{arxiv.2510.03905,
title = {Quantifying Gender Stereotypes in Japan between 1900 and 1999 with Word Embeddings},
author = {Shintaro Sakai and Haewoon Kwak and Jisun An and Akira Matsui},
journal= {arXiv preprint arXiv:2510.03905},
year = {2025}
}