RAWild：基于物理引导的曲线与网格建模的传感器无关 RAW 目标检测
计算机视觉与模式识别
2026-05-08 v1
摘要
相机传感器 RAW 数据在目标检测方面具有更深的位深度、保留的物理信息以及免受图像信号处理器（ISP）失真的自由度，这些都是内在优势。然而，不同设备中因曝光条件、光谱灵敏度和位深度差异引入的领域间隙远大于 sRGB，使得 sensor-agnostic generalization 成为根本性挑战。本研究提出 \textbf{RAWild}，一个基于物理引导的全局-局部 tone mapping 框架，用于 sensor-agnostic RAW 目标检测。通过将传感器引起的变异分解为全局色调校正和受 RAW 分布先验驱动的空间自适应局部色调调整，两个模块共同使单个网络能够跨异构传感器联合训练。为进一步支持跨传感器的泛化，我们构建了一个基于物理的 RAW 模拟管道，合成覆盖多样光谱灵敏度、光源和传感器非理想性的真实感知传感器输出。广泛的实验覆盖多个 RAW 基准，位深度从 10 位到 24 位，证明在单数据集、混合数据集和具有挑战性的鲁棒性设置下均实现了最先进（SOTA）性能。
关键词
引用
@article{arxiv.2605.05941,
title = {RAWild: Sensor-Agnostic RAW Object Detection via Physics-Guided Curve and Grid Modeling},
author = {Shuhong Liu and Gengjia Chang and Jun Liu and Xuangeng Chu and Yinqiang Zheng and Tatsuya Harada and Ziteng Cui},
journal= {arXiv preprint arXiv:2605.05941},
year = {2026}
}