面向跨域目标检测的物理驱动雾霾数据集构建与评估
2025-07-29章理登张恪莱邱儒
互联网周刊 2025年13期
引言
近年来,随着深度学习在计算机视觉中的快速发展,图像去雾任务取得了显著进展。特别是基于卷积神经网络和Transformer的模型不断刷新性能指标。然而,这类方法的实际效果在很大程度上依赖于训练与评估数据集的质量。现有雾霾图像数据集主要分为两类:一类来源于真实场景拍摄,受限于设备、气象和场景,难以大规模获取;另一类通过物理模型对清晰图像进行合成,虽具可扩展性,但在光学、色彩、结构等方面与真实雾霾存在差距,影响算法泛化能力。
此外,当前对去雾算法的评估多集中于像素级指标,如峰值信噪比和结构相似性,虽具参考价值,却难以反映去雾处理对下游视觉任务的影响。目标检测任务对图像对比度和色彩一致性有更高要求,单纯优化图像质量指标并不能确保良好检测性能。为此,本文提出一种面向跨域目标检测的物理驱动雾霾数据集合成算法,基于COCO构建跨域检测数据集COCO-Haze。主要贡献包括:
(1)可扩展的数据构建流程。设计自动化合成流程,支持任意规模数据集,降低小样本过拟合问题。
(2)边缘感知的深度估计优化。引入基于Transformer的单目深度预测,缓解深度图伪影与噪声,并通过非线性映射增强近景雾浓度,提高边缘对齐精度。
(3)物理驱动的大气光校正策略。通过多通道亮度分析估计大气光,引入颜色平衡约束以抑制色偏,并结合光学视程约束关键参数,保障物理一致性。
(4)任务驱动的评估框架:综合传统图像复原指标和目标检测性能,全面评估去雾算法性能及其对下游检测任务的影响。……
登录APP查看全文
