WARLearn：基于天气自适应的表示学习
计算机视觉与模式识别
2024-11-22 v1
摘要
本文介绍WARLearn，一种用于在挑战性和对抗性天气条件下进行自适应表示学习的新型框架。依据Barlow Twins中使用的不变性原理，我们展示了将最初在晴朗天气数据上训练的现有模型移植到有效处理恶劣天气条件的能力。该方法在最小化额外训练的情况下，在雾霾和低光条件的场景中表现出显著的性能提升。该自适应框架不仅适用于恶劣天气环境，还为数据分布变化的领域提供了 versatile解决方案。此外，WARLearn在数据分布随时间发生显著变化的情境中尤为重要，使模型能够保持更新和准确。我们的实验结果显示，在未见的真实雾霾数据集（RTTS）上，本方法实现了52.6%的平均精度（mAP）。在低光条件下，本框架在未见的真实低光数据集（ExDark）上实现了55.7%的mAP。值得注意的是，WARLearn在恶劣天气条件下，以显著的幅度超越了FeatEnHancer、Image Adaptive YOLO、DENet、C2PNet、PairLIE和ZeroDCE等最先进框架，显著提升了雾霾和低光条件下的基线性能。WARLearn代码已公开于https://github.com/ShubhamAgarwal12/WARLearn
关键词
引用
@article{arxiv.2411.14095,
title = {WARLearn: Weather-Adaptive Representation Learning},
author = {Shubham Agarwal and Raz Birman and Ofer Hadar},
journal= {arXiv preprint arXiv:2411.14095},
year = {2024}
}
备注
Accepted for publication in IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), 2025