近年、カモフラージュ物体検出の性能は大幅に向上しているが、既存のベンチマークの多くはクリーンな画像のみで評価を行っている。しかし、実際のカメラで撮影される画像には、ぼけ、センサーノイズ、天候効果、圧縮アーティファクトなどの劣化が含まれることが一般的である。この問題に対処するため、研究者らはCOD10K-Cベンチマークを提案した。COD10K-CはCOD10Kデータセットをベースにしており、8種類の劣化タイプ（モーションブラー、ガウシアンブラー、明るさ変化、フォグ、コントラスト変化、JPEG圧縮、ピクセル化、弾性変形）と5段階の深刻度を組み合わせ、合計40条件、81,040の評価ペアを提供する。これにより、多様な実世界の劣化に対するモデルの性能を体系的に評価することが可能となる。
研究チームは、三つの一般的なカモフラージュ物体検出モデル（SINet-v2、PFNet、ZoomNet）と、新たに提案された軽量モデルRobustCODLiteを評価した。実験の結果、すべてのモデルが劣化画像で明らかな性能低下を示した。特にモーションブラーとガウシアンブラーによる影響が大きく、SINet-v2ではモーションブラー下で18.5ポイントのDiceスコア低下が見られ、ZoomNetとPFNetもそれぞれ15.2ポイント、16.8ポイントの低下を記録した。一方、明るさ変化やフォグによる影響は比較的小さく、モデルが全体的な明るさの変化やかすみに対してある程度の耐性を持つことが示唆された。注目すべき点として、最高性能のモデルでも深刻な劣化下ではクリーン状態の精度を維持できず、ロバスト性研究の重要性が浮き彫りになった。
ロバスト性を向上させるため、RobustCODLiteは複数の革新的手法を採用している。まず、劣化拡張訓練を導入し、訓練中に様々な劣化と深刻度をランダムに適用することで、モデルが劣化に適応するよう学習する。次に、周波数事前分岐を設計し、周波数領域の情報を活用してテクスチャやエッジの知覚を強化する。これはカモフラージュ物体にとって特に重要である。最後に、不確実性一貫性損失を用いて、異なる劣化バージョン間での出力の一貫性を制約し、特定の劣化への過適合を低減する。これらの技術により、RobustCODLiteは劣化下でもクリーンな状態のDiceスコアの92.3%を維持することができた。比較対象のSINet-v2、ZoomNet、PFNetはそれぞれ87.7%、84.8%、84.1%にとどまった。特に困難な劣化条件（高強度のモーションブラーやガウシアンブラーなど）では、RobustCODLiteはクリーンデータでより優れた性能を示すモデルに匹敵するか、それを上回る結果を示し、優れた汎化能力を実証した。
本研究は、ロバスト性評価のための包括的なベンチマークを提供するだけでなく、適切な設計によって複雑な環境下でのモデル性能を向上できることを示している。今後、研究チームはCOD10K-CのGitHubリポジトリ（ベンチマークコードと事前学習モデルを含む）を公開し、この分野のさらなる発展を促進する予定である。この成果は、自動運転やセキュリティ監視など、カモフラージュ物体検出に依存する実用的なアプリケーションにポジティブな影響を与えると期待される。