传感器迁移：面向仿真到真实域自适应的学习最优传感器效应图像增强

随着深度学习的进展，基准数据集上的性能已大幅提升。然而，由于两个不同数据集之间可能出现的域偏移，跨数据集泛化性能仍然相对较低。这种域偏移在合成数据集与真实数据集之间尤为显著。已有大量研究致力于缩小这一差距，特别是通过建模场景空间布局的变化（如遮挡）以及场景环境因素（如一天中的时间和天气效应）。然而，极少有工作将传感器域中的变化建模作为缩小合成到真实域差距的手段。用于采集数据集的相机或传感器会在图像数据中引入该传感器模型特有的伪影，这表明传感器效应也可能对域偏移有所贡献。为此，我们提出了一种由基于物理的增强函数构成的学习型增强网络。我们提出的增强流水线将传感器模型的特定效应——色差、模糊、曝光、噪声和色温——从真实数据集迁移到合成数据集。我们提供的实验表明，使用所提出的学习型增强框架增强合成训练数据集，能够缩小城市驾驶场景中目标检测的合成域与真实域之间的域差距。