使用深度通道先验提高自动驾驶在现实世界退化中的视觉识别能力
内容提要
本文介绍了一种无监督的单张图像去雾方法，利用暗通道先验提高图像质量。同时，提出了基于残差特征传递模块的水下物体检测方法，实验结果显示其性能优于传统的CNN和Transformer检测器。此外，开发了UDC-DMNet和DGFormer网络，针对下屏摄像头图像恢复和盲人脸恢复，均取得了先进性能。
延伸解读
暗通道先验在无监督去雾中的价值
文章提出一种完全无监督的单张图像去雾方法，利用暗通道先验能量函数进行训练。这种方法不依赖成对清晰/模糊图像，可直接使用实际户外图像训练，结果质量与大规模监督方法相当。对于自动驾驶视觉系统，这意味着在缺乏标注数据的真实退化场景中，仍能有效提升图像质量，为后续识别任务提供更清晰的输入。
水下物体检测的残差特征传递策略
针对水下严重退化图像，文章提出基于残差特征传递模块（RFTM）的方法，将退化区域先验应用于CNN特征提取网络。实验显示，该方法在速度和参数数量上优于传统CNN检测器，且性能仍优于基于Transformer的检测器。这表明在资源受限的水下场景中，通过特征传递而非单纯增大模型，能更高效地提升检测性能。
UDC图像恢复的合成与盲恢复方案
文章开发了UDC-DMNet网络，通过建模屏下摄像头（UDC）成像过程合成退化图像，并构建了FFHQ-P/T和CelebA-Test-P/T数据集。进一步提出字典引导变换网络DGFormer，引入人脸组件字典和UDC图像特征，实现盲人脸恢复。实验证明两者均达到最先进性能，为UDC场景下的图像恢复提供了从数据合成到模型设计的完整思路。
自监督单目深度估计的改进方向
DNet方法利用密集连接预测层（DCP）和密集几何约束（DGC），针对自监督单目深度估计中的两个问题：精确的对象级深度推断和不确定的比例因子。实验表明，DCP能更好识别深度图像中的对象边界并改善对象级深度连续性，而DGC执行比例恢复的性能与使用真实地面真值信息相当。这为自动驾驶中无需深度标签的深度估计提供了有效途径。
Q&A
什么是无监督的单张图像去雾方法？
无监督的单张图像去雾方法利用暗通道先验能量函数进行训练，以提高图像质量，效果与大规模监督方法相当。
基于残差特征传递模块的水下物体检测方法有什么优势？
该方法在速度和参数数量上优于传统的CNN和Transformer检测器，同时在性能上也表现更佳。
UDC-DMNet网络的主要功能是什么？
UDC-DMNet网络通过建模UDC成像过程来合成UDC图像，旨在改善下屏摄像头图像的质量。
DGFormer网络是如何处理盲人脸恢复的？
DGFormer网络引入了人脸组件字典和UDC图像特征，能够有效应对UDC场景中的盲人脸恢复问题。
DNet方法解决了哪些自我监督中的问题？
DNet方法解决了单目深度估计中的对象级深度推断和不确定的比例因子问题。
本文提出的图像恢复方法有哪些应用场景？
本文的方法可应用于水下物体检测、UDC图像恢复和盲人脸恢复等多个场景。
