合成雾环境下无人机检测与追踪的任务驱动评估
该研究提出了一个任务驱动的评估框架，将深度感知的合成雾生成、图像恢复、目标检测和追踪集成到统一流程中。研究发现，雾会显著降低检测和追踪性能，而包含雾的训练数据能最一致地提升鲁棒性。
一项由Amir Pouladi等人完成的新研究提出了一个任务驱动的评估框架，用于分析合成雾对无人机检测与追踪的影响。该研究于2026年7月6日提交至arXiv（编号2607.05467），旨在解决真实雾天数据难以获取的难题。研究团队利用单目深度估计和大气散射模型，从晴朗天气的户外图像中生成合成雾，从而模拟雾天环境。这种方法绕过了现实世界中收集和标注雾天无人机图像的困难，使得大规模评估成为可能。
研究首先比较了三类图像恢复技术：经典方法、基于卷积神经网络（CNN）的方法和基于Transformer的方法。经过对比，选择表现最佳的恢复模型集成到下游感知流程中。在检测环节，研究比较了仅在晴朗数据上训练的检测器和包含雾数据的训练方案，使用了多种检测器变体；追踪环节则评估了晴朗、有雾和恢复后的视频序列，采用基于检测的追踪方法。
实验结果表明，雾会大幅增加无人机的漏检率，从而严重降低检测和追踪的可靠性。研究发现，在训练数据中包含雾图像能最一致地提升鲁棒性，而测试阶段的图像恢复仅在检测器仅用晴朗图像训练时才有明显效果。这一发现揭示了一个重要问题：图像恢复质量的提升并不一定能线性转化为下游感知性能的改善。因此，对恢复方法的评估应结合检测和追踪性能进行联合分析，而不能仅依赖图像级别的恢复指标。
该研究为无人机在复杂气象条件下的可靠运行提供了重要参考，同时也对计算机视觉领域的研究方法提出了警示——即任务驱动的评估比单纯的图像质量评估更有实际意义。未来的工作可能包括扩展到更复杂的天气条件以及实时场景应用。