RobuMTL：增强多任务学习对天气条件的鲁棒性
计算机视觉与模式识别
2026-01-19 v1 人工智能
机器学习
摘要
鲁棒的多任务学习（MTL）对于在真实世界环境中运行的自主系统至关重要，因为恶劣的天气条件会严重降低模型的性能和可靠性。在本文中，我们介绍了 RobuMTL，这是一种新颖的架构，旨在以混合专家的方式，根据输入扰动动态选择特定任务的分层低秩适应（LoRA）模块和 LoRA 专家组，从而自适应地应对视觉退化。我们的框架能够基于输入特征实现自适应专门化，提高了在各种真实世界条件下的鲁棒性。为了验证我们的方法，我们在 PASCAL 和 NYUD-v2 数据集上对其进行了评估，并将其与单任务模型、标准 MTL 基线以及 SOTA 方法进行了比较。在 PASCAL 基准上，与 MTL 基线相比，RobuMTL 在单一扰动下实现了 +2.8% 的平均相对提升，在混合天气条件下实现了高达 +44.4% 的提升。在 NYUD-v2 上，RobuMTL 在各项任务上实现了 +9.7% 的平均相对提升。代码可在 GitHub 上获取。
引用
@article{arxiv.2601.10921,
title = {RobuMTL: Enhancing Multi-Task Learning Robustness Against Weather Conditions},
author = {Tasneem Shaffee and Sherief Reda},
journal= {arXiv preprint arXiv:2601.10921},
year = {2026}
}
备注
Accepted at the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2026