WXSOD：恶劣天气条件下鲁棒显著性目标检测基准
计算机视觉与模式识别
2025-11-05 v2
摘要
复杂环境下的显著性目标检测（SOD）仍然是一个具有挑战性的研究课题。现有大多数方法在噪声可忽略的自然场景中表现良好，并倾向于利用多模态信息（例如深度和红外）来提高精度。然而，由于缺乏具有像素级标注的数据集，很少有研究关注天气噪声对SOD性能的损害。为弥补这一差距，本文引入了一个新颖的天气扩展显著性目标检测（WXSOD）数据集。该数据集包含14,945张具有多样化天气噪声的RGB图像，以及相应的真值标注和天气标签。为验证算法泛化性，WXSOD包含两个测试集，即合成测试集和真实测试集。前者通过向清晰图像添加天气噪声生成，后者则包含真实世界的天气噪声。基于WXSOD，我们提出了一种高效的基线模型，称为天气感知特征聚合网络（WFANet），该网络采用全监督的双分支架构。具体而言，天气预测分支挖掘与天气相关的深层特征，而显著性检测分支则将骨干网络提取的语义特征与天气特征融合以进行SOD。与17种SOD方法的全面比较表明，我们的WFANet在WXSOD上取得了优越的性能。代码和基准结果将在https://github.com/C-water/WXSOD上公开。
引用
@article{arxiv.2508.12250,
title = {WXSOD: A Benchmark for Robust Salient Object Detection in Adverse Weather Conditions},
author = {Quan Chen and Xiong Yang and Bolun Zheng and Rongfeng Lu and Xiaokai Yang and Qianyu Zhang and Yu Liu and Xiaofei Zhou},
journal= {arXiv preprint arXiv:2508.12250},
year = {2025}
}
备注
Under review