野生样本：针对恶劣天气下自动驾驶感知的模拟与真实数据增强
计算机视觉与模式识别
2026-05-05 v1
摘要
最新目标检测器的性能在恶劣天气下会显著下降，这导致自动驾驶汽车面临安全关键的域迁移问题。最近的研究通过依赖合成数据来训练目标检测器，但这限制了其实际应用性。同时，伪标签广泛用于跨数据集域适应问题。然而，这些方法由于在恶劣天气条件下生成的标签噪声，尚未被用于基于天气的域适应方法。在本文中，我们提出两种新方法来缓解这种天气引起的域迁移。首先，我们提出了 Weather-Induced pseudo Label Denoising（野生样本）框架，用于过滤由真实数据在恶劣天气条件下生成的噪声伪标签。其次，我们发展了一种新型的混合训练方法，WILD SAM，利用伪标签去噪和仿真训练解决方案，同时使用来自目标恶劣天气域的真实数据。我们在最近发布的 Four Seasons 数据集上验证了两种提出的方法，WILD 和 WILD SAM，覆盖雨雪情形。实验表明，所提出的框架将平均精度（AP）提高了最高达 13%，显著缩小了由天气引起的性能差距相对于基线方法。代码已公开：https://github.com/Kh-Hamed/WILD-SAM
引用
@article{arxiv.2605.01081,
title = {WILD SAM: A Simulated-and-Real Data Augmentation for Autonomous Driving Perception under Challenging Weather},
author = {Hamed Khatounabadi and Xiaohu Lu and Hayder Radha},
journal= {arXiv preprint arXiv:2605.01081},
year = {2026}
}