合成霧環境下無人機檢測與追蹤的任務驅動評估
該研究提出了一個任務驅動的評估框架，將深度感知的合成霧生成、圖像恢復、目標檢測和追蹤集成到統一流程中。研究發現，霧會顯著降低檢測和追蹤性能，而包含霧的訓練數據能最一致地提升魯棒性。
一項由Amir Pouladi等人完成的新研究提出了一個任務驅動的評估框架，用於分析合成霧對無人機檢測與追蹤的影響。該研究於2026年7月6日提交至arXiv（編號2607.05467），旨在解決真實霧天數據難以獲取的難題。研究團隊利用單目深度估計和大氣散射模型，從晴朗天氣的户外圖像中生成合成霧，從而模擬霧天環境。這種方法繞過了現實世界中收集和標註霧天無人機圖像的困難，使得大規模評估成為可能。
研究首先比較了三類圖像恢復技術：經典方法、基於卷積神經網絡（CNN）的方法和基於Transformer的方法。經過對比，選擇表現最佳的恢復模型集成到下游感知流程中。在檢測環節，研究比較了僅在晴朗數據上訓練的檢測器和包含霧數據的訓練方案，使用了多種檢測器變體；追蹤環節則評估了晴朗、有霧和恢復後的視頻序列，採用基於檢測的追蹤方法。
實驗結果表明，霧會大幅增加無人機的漏檢率，從而嚴重降低檢測和追蹤的可靠性。研究發現，在訓練數據中包含霧圖像能最一致地提升魯棒性，而測試階段的圖像恢復僅在檢測器僅用晴朗圖像訓練時才有明顯效果。這一發現揭示了一個重要問題：圖像恢復質量的提升並不一定能線性轉化為下游感知性能的改善。因此，對恢復方法的評估應結合檢測和追蹤性能進行聯合分析，而不能僅依賴圖像級別的恢復指標。
該研究為無人機在複雜氣象條件下的可靠運行提供了重要參考，同時也對計算機視覺領域的研究方法提出了警示——即任務驅動的評估比單純的圖像質量評估更有實際意義。未來的工作可能包括擴展到更復雜的天氣條件以及實時場景應用。