基于物理原理的空间退化调制技术用于不均匀雾气环境中的空中目标检测

《Expert Systems with Applications》：Physics-Driven Spatial Degradation Modulation for Aerial Object Detection in Uneven Haze

　　

摘要

在雾天条件下进行空中目标检测面临诸多挑战，包括小目标特征弱化、空间非均匀退化以及跨域泛化能力有限。现有方法通常基于图像去雾预处理、全局域对齐或隐式特征增强来实现目标检测。然而，这些方法并未明确建模空中场景中雾气强度的局部变化，这可能导致在雾气浓重的区域出现检测遗漏和定位错误。为解决这些问题，本文提出了一种基于物理驱动的FCOS多尺度检测框架——雾感知多尺度引导FCOS（HMG-FCOS），旨在实现非均匀雾天条件下的稳健空中目标检测。首先，通过雾气先验生成器（HPG）估算多尺度空间退化强度，再将生成的物理先验通过雾引导可变形上下文块（HGDCB）注入可变形卷积中，从而使网络在雾气浓重的区域能够自适应扩展感受野，并从周围可靠区域获取上下文信息。随后，雾感知检测优化模块（HDO）会对难例样本和多尺度响应进行动态校准，而通过课程驱动的交替域训练策略（CADT），还可进一步缓解先验不稳定问题以及干净域表示的遗忘问题。在多个合成数据集和真实世界退化数据集上的实验表明，HMG-FCOS取得了最优性能。进一步的消融实验和可解释性分析表明，明确的物理雾气先验能够有效引导特征补偿，提升模型对雾气浓重区域及小目标的识别能力。

引言

由于具备灵活性和宽视野优势，无人机已被广泛用作交通监测、灾害救援和城市管理等领域的主要数据采集工具（Ding et al., 2021, Leng et al., 2024, Li et al., 2022）。与普通目标检测不同，空中目标检测的难度更大，因为目标分布不均、尺度差异极大，且呈现任意姿态。为应对这些挑战，近年来已有多种方法被开发出来，并取得了不错的效果（Y. Li et al., 2024, Ma et al., 2024, Tan et al., 2023, Xue et al., 2024, Zeng et al., 2024）。不过，大多数现有算法都是在干净、高质量的图像上训练和评估的，而实际场景中拍摄的空中图像往往因恶劣天气条件，尤其是雾气影响而质量下降。由于复杂的大气散射效应和较长的成像距离，雾天空中图像的目标检测还面临着两个相互关联的挑战：小目标的极端尺度变化（Kulkarni & Murala, 2023）以及雾气分布的强空间异质性（Wei et al., 2025）。这些物理退化现象会严重削弱目标的局部特征（Song & Qin, 2024），导致雾气浓重区域与相对清晰区域之间存在显著的外观差异，这使得在干净图像上训练的模型难以在雾天场景中准确定位和分类目标。

为解决雾天条件下空中目标检测的难题，现有研究大致可分为四种范式，如图1所示：直接检测、级联恢复-检测、联合优化以及域适应。直接检测范式采用数据驱动方式，直接在雾天图像上微调检测器，以提高其对雾气退化的抵抗能力（Munir et al., 2025）。但雾气会降低图像质量，使得检测器难以提取具有区分度的特征。此外，以这种方式训练的模型在干净图像上的性能往往也会下降。级联恢复-检测范式则先使用去雾算法作为独立的预处理模块，再将处理后的图像输入检测器进行目标检测（Hu et al., 2025, Li et al., 2017, Li and Zhao, 2023, Qin et al., 2022, Wan et al., 2025）。尽管这种级联方式直观且易于实现，但大多数去雾算法主要是为人类视觉感知设计的，而非为高级语义表示服务。因此，重要的高频细节可能会被削弱，而且显式去雾过程中引入的伪影也可能传递给后续的检测器，进而降低检测性能。

为避免级联流程带来的累积误差，人们开始广泛探索端到端学习策略，包括联合优化和域适应。在联合优化方法中，图像恢复与目标检测被整合到一个统一框架中，同时进行优化以实现特征共享（Huang et al., 2020; C. Li et al., 2023, Liu et al., 2022）。然而，像素级保真度与语义区分度之间的固有差异可能会导致以恢复为目标的功能与以检测为目标的功能相互干扰。域适应方法则将雾天目标检测视为从清晰场景到雾天场景的全局域偏移问题（J. Li et al., 2024; Jun Li et al., 2025, Sindagi et al., 2020）。通过让干净图像的源域与雾天图像的目标域之间的特征分布保持一致，这些方法能够提升检测性能。不过，这些方法往往忽略了大气雾气的空间非均匀性。由于标准卷积会在整个图像上均匀应用固定的感受野，因此在空间分布不均、雾气浓重的区域，网络可能会出现上下文孤立和特征失真的问题。

为克服上述局限，本文提出了一种基于物理驱动的多尺度检测框架——雾感知多尺度引导FCOS（HMG-FCOS），用于处理雾气退化不均匀条件下的空中目标检测。该方法并非隐式地对全局特征进行对齐或重建完全清晰的图像，而是明确估算空间退化强度，并将其作为物理条件来动态调整检测过程。具体而言，首先设计雾气先验生成器（HPG），用于聚合多尺度语义信息，高效生成空间雾气先验图。接着引入雾引导可变形上下文块（HGDCB），以克服固定感受野的局限性。通过将明确的雾气先验注入可变形卷积，网络能够在雾气浓重的区域自适应地从周围可靠区域获取上下文信息。此外，还设计了雾感知检测优化（HDO）模块，根据局部退化强度动态调整正样本的权重，并对多尺度表示进行校准。最后，采用了课程驱动的交替域训练（CADT）策略，以稳定模型收敛过程，防止模型遗忘干净天气条件下的特征表示。

本研究的主要贡献如下。

1）我们提出了一种基于物理驱动的检测框架HMG-FCOS，用于解决空中图像中小目标问题与雾气退化不均匀问题之间的耦合挑战。该框架将大气物理先验与深度特征调节相结合，无需重建清晰图像即可实现以检测为导向的空间自适应。

2）我们设计了一个由HPG、HGDCB和HDO组成的统一调节流程。具体来说，HPG可明确估算空间退化强度，HGDCB能在雾气先验的引导下动态调整感受野，从而缓解雾气浓重区域的上下文孤立问题，而HDO则能提供自适应的损失补偿和多尺度校准，减少语义特征的偏差。

3）我们提出了课程驱动的交替域训练（CADT）策略，该策略将交替域输入与动态课程因子相结合，能够在训练初期稳定先验估计，同时避免模型遗忘干净天气条件下的语义特征。

4）我们在多个合成数据集和真实世界的雾天空中数据集上进行了大量实验，结果表明HMG-FCOS在雾天条件下不仅具有最优性能，还具有很强的跨域泛化能力。

章节要点

空中目标检测

基于深度学习的方法已被广泛应用于目标检测领域，极大地改变了视觉语义的提取方式。传统的基于卷积神经网络（CNN）的检测器通常分为两阶段检测器，代表案例包括Faster R-CNN（Ren et al., 2016）和Cascade R-CNN（Cai & Vasconcelos, 2019），以及单阶段检测器，代表案例为YOLO系列（Khanam & Hussain, 2024; A. Wang et al., 2024, Wang et al., 2023; C.-Y. Wang et al., 2024）。

方法论

为解决因空中图像中雾气分布不均而导致的小目标检测遗漏和定位偏差问题，我们提出了HMG-FCOS，如图2所示。其核心思路是明确估算特征级的空间退化强度，并将其作为基于物理原理的条件，共同调节特征感受野、检测损失分布以及多尺度表示的强度。

数据集

由于目前公开的可用于研究复杂雾天条件的空中目标检测数据集仍然较少，因此我们采用了合成数据与真实数据相结合的方式构建了混合实验基准集。具体而言，为满足大规模多尺度训练的需求，我们利用大气散射模型（方程（13）），从公开的VisDrone数据集中合成了一组具有空间非均匀雾气分布的雾天数据集，命名为VisDrone-Hazy。同时，考虑到真实空中图像往往还会受到

结论

本研究提出了HMG-FCOS，这是一种基于物理原理的空间退化调节框架，用于处理雾气退化不均匀条件下的空中目标检测。与那些依赖图像去雾预处理、全局域对齐或隐式特征增强的现有方法不同，HMG-FCOS将明确的物理雾气先验引入检测过程，从而实现以检测为导向的特征补偿。具体而言，HPG负责从多尺度特征中估算局部空间退化强度，

未引用参考文献

Li et al., 2025, Li et al., 2023, Li et al., 2025, Li et al., 2024, Liu et al., 2025, Wang et al., 2024, Yu et al., 2022.

利益冲突声明

作者声明，他们不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢

本文的研究工作得到了江苏省研究生科研实践创新计划（KYCX25_1744）以及江苏省科技计划（编号BX2023）的支持。

Xiaoxiong Zhou|Guangming Zhang|Chao Lu|Chen Zhang|Haoran Zheng