← 返回论文列表

CADENet：条件自适应的异步双流增强网络，用于自动驾驶的恶劣天气感知
CADENet: Condition-Adaptive Asynchronous Dual-Stream Enhancement Network for Adverse Weather Perception in Autonomous Driving

作者: Sherif Khairy, Catherine M. Elias
arXiv: 2605.19837v1
分类: cs.CV, cs.AI, cs.CL, cs.RO
📝 论文摘要
恶劣天气（雨、雾、沙、雪）会降低自动驾驶车辆中基于相机的目标检测性能。现有的先增强后检测方法会中断安全关键的感知循环，违反硬实时要求。该问题的进展还受限于一个未被充分认识的评估天花板：在降质图像上标注的真实值无法奖励那些恢复出标注者自身都不可见物体的检测器，因此真正有意义的增强在F1指标上仅表现为近乎平坦的微小增益。本文提出CADENet（条件自适应异步双流增强网络），一个无需训练的三线程系统：线程S（YOLOv11n）以全帧率提供检测，零额外延迟；线程Q应用条件自适应增强（CAPE）并通过熵引导式NMS（EG-NMS）融合结果，且不阻塞线程S；线程E提供CLIP零样本天气分类，因此新天气类别仅需新文本提示，无需标注数据或重新训练。在1327张DAWN图像上评估（YOLOv11m，IoU=0.5，置信度=0.25），CADENet在雪天实现了召回率=0.0103（微平均）、F1=0.0230，在雨天F1=0.0038。我们正式化了DAWN类数据上的注释完整性偏差，因此报告的F1值是真实增益的下界；召回率是不受注释差距影响的首要指标。线程S在增强负载下仍保持约44 FPS。无需模型重新训练或额外传感器硬件。

📊 核心分析

🎯 研究动机
- 恶劣天气（雨、雾、沙尘、雪）严重降低摄像头目标检测性能，现有增强-检测方法带来额外延迟，违反自动驾驶的**硬实时(hard real-time)** 要求 - 存在一个被忽视的**评估天花板(evaluation ceiling)**：标注人员在退化图像上无法标注肉眼不可见的物体，导致增强后检测的F1增益被严重低估 - 需要一种无需重新训练、不增加传感器硬件、且不阻塞感知循环的恶劣天气感知方案
🔧 核心方法
- 提出**CADENet**，一个**无训练(training-free)** 的三线程系统：**Thread S** （YOLOv11n）以全帧率进行检测，零额外延迟 - **Thread Q** 应用**条件自适应增强(Condition-Adaptive Pose Enhancement, CAPE)**，并通过**熵引导NMS(EG-NMS)** 融合增强结果，不阻塞Thread S - **Thread E** 使用**CLIP零样本天气分类(CLIP zero-shot weather classification)**，仅需新的文本提示即可扩展天气类别，无需标注数据和重新训练
💡 核心创新
- **异步双流设计**：增强流（Thread Q）与检测流（Thread S）并行运行，检测流零延迟，避免传统级联流程的延迟积累 - **条件自适应增强(condition-adaptive enhancement)**：根据CLIP识别的天气类型动态调整增强策略，无需预训练或固定规则 - **无训练零样本扩展**：利用CLIP的零样本能力，新增天气类别仅需修改文本提示，无需重新训练模型或收集标注数据 - **量化标注完整性偏差(annotation completeness bias)**：指出DAWN类数据集的F1值是真实增益的下界，提出Recall作为免于标注缺口影响的指标
🏆 总体贡献
- 为自动驾驶提供了一种**无需重新训练、无需额外传感器硬件** 的实时恶劣天气感知框架，检测帧率稳定在~44 FPS - 揭示了**恶劣天气感知评估中的标注偏差问题**，并提出了正确的评估指标（Recall），推动了该领域评估方法的改进 - 在DAWN数据集上验证了方法的有效性，尤其在雪天和雨天场景下，Recall和F1指标均优于无增强基线，且可扩展至新天气类别