《Journal of Imaging》：Vision-Based Perception of UAV Targets Under Synthetic Fog: A Task-Oriented Evaluation
编辑推荐：
雾会严重降低远程图像中小型无人机（unmanned aerial vehicle, UAV）的可见性，从而降低下游检测与跟踪的可靠性。本文提出了一种任务驱动的评估框架，将深度感知合成雾生成、图像复原、目标检测和跟踪连接在统一流程中。鉴于收集和标注有雾UAV场景
雾会严重降低远程图像中小型无人机（unmanned aerial vehicle, UAV）的可见性，从而降低下游检测与跟踪的可靠性。本文提出了一种任务驱动的评估框架，将深度感知合成雾生成、图像复原、目标检测和跟踪连接在统一流程中。鉴于收集和标注有雾UAV场景的实际困难，研究人员利用单目深度估计和大气散射模型（atmospheric scattering model, ASM），从包含UAV目标的真实晴好天气户外图像生成合成雾。首先比较了来自经典、基于卷积神经网络（convolutional neural network, CNN）和基于Transformer类别的代表性复原方法，随后将选定的复原模型集成到下游感知流程中。使用多种YOLO11变体在仅清晰训练和包含雾训练两种机制下评估检测性能，同时在清晰、有雾和复原视频序列上评估基于检测的跟踪（tracking-by-detection）。除图像级复原指标外，研究还评估了雾和复原如何影响检测鲁棒性和跟踪性能。在所采用的合成雾协议下，结果表明雾严重程度的增加主要通过增加漏检显著降低检测和跟踪性能。包含雾训练提供最一致的鲁棒性改进，而测试时复原仅在检测器仅使用清晰图像训练时最为有益。这些发现表明，复原质量不一定转化为下游感知的成比例增益，因此应与检测和跟踪性能联合评估。
**研究背景与现存问题**
小型无人机（unmanned aerial vehicle, UAV）在开放空域的可靠检测与跟踪是空中态势感知和感知与避让（sense-and-avoid）的核心能力。雾天条件下，图像形成过程受深度相关的衰减和大气光主导，两者共同降低目标-背景对比度，并抑制对识别小型远距离目标至关重要的高频细节。经典大气可见度模型通过指数透射项和附加路径辐射描述这种退化，将感知对比度损失与场景深度和消光系数联系起来。实践中，这些效应会导致主要训练于清晰图像的检测器和跟踪器性能严重下降。
虽然单幅图像去雾已作为底层复原问题被广泛研究，且RESIDE等大规模基准强调图像级指标的改进不一定意味着下游视觉任务的改进，但UAV检测与跟踪领域仍缺乏在受控协议下连接深度感知雾合成、图像复原与下游检测和跟踪的系统性任务级研究。已有基准如Anti-UAV和DUT Anti-UAV提供了标注序列，但针对具有大面积天空区域、雾效应深度驱动的UAV图像的综合评估仍然有限。为此，该研究发表于《Journal of Imaging》，提出了一个任务驱动的评估框架，将合成雾生成、图像复原、目标检测和跟踪集成到统一流程中，回答了雾存在时去雾能在多大程度上恢复检测与跟踪性能、以及包含雾训练与测试时复原相比效果如何这两个实际问题。
**研究内容与结论概述**
研究人员使用MiDaS单目深度估计和大气散射模型从真实晴好天气图像生成五个相对严重等级的合成雾；比较了经典先验（dark-channel prior, DCP；color attenuation prior, CAP）、CNN（FFA-Net）和Transformer（DehazeFormer）方法后，基于复原指标选定DehazeFormer用于下游实验。检测实验使用YOLO11n/s/m，在仅清晰及30%、50%、70%、100%含雾训练配比下训练；跟踪实验使用ByteTrack和BoT-SORT。主要结论为：雾严重程度增加主要通过增加漏检显著降低检测与跟踪性能；包含雾训练是提高鲁棒性最一致的途径；测试时复原对仅清晰训练的检测器最有益；复原质量提升不必然转化为下游感知的成比例增益。
**主要技术方法**
研究人员采用深度感知大气散射模型合成雾：使用MiDaS估计单目深度，经各数据划分固定的第2–98百分位数归一化后反演，计算透射图并用灰度引导滤波和均值滤波细化；大气光取每张图像强度最高500像素的平均颜色。复原方法涵盖DCP、CAP、FFA-Net和DehazeFormer。检测采用YOLO11系列，跟踪采用ByteTrack和BoT-SORT。检测训练与评估在CfAR数据集（5834张图像，按80%/10%/10%划分）进行；复原模型选择使用MMAUD数据集；跟踪评估使用DUT Anti-UAV视频02、03、06、10。
**研究结果**
*4.1 合成雾与图像复原对检测性能的影响*：仅清晰训练的检测器在雾输入上性能随雾强度增加而显著下降；召回率下降幅度远大于精确率，表明主要失效模式是漏检而非虚警。复原图像能部分恢复性能但仍低于清晰基线；mAP@0.50:0.95的下降比mAP@0.50更陡，表明雾同时损害目标定位质量。
*4.2 包含雾训练的效果*：包含雾训练使雾输入和复原输入的性能曲线明显接近清晰基线，显著抑制了召回率和mAP的严重下降；30%雾训练模型波动较大，100%雾训练模型更稳定。复原在仅清晰训练时收益最大，而在混合训练中其收益变小，甚至出现雾输入略优于复原输入的情况。
*4.2.1 训练种子可重复性*：YOLO11s在Clean和50% Fog配置下用三种种子训练，观察到的变异性较低。
*4.2.2 深度处理敏感性*：百分位数边界来源和引导滤波的消融对聚合结果影响很小；全局训练派生最小-最大归一化对清晰训练检测器影响较大，但包含雾训练的主要趋势保持不变。
*4.2.3 未见合成雾强度的评估*：在未参与训练的中间雾强度上，50% Fog训练检测器保持相对稳定，表明鲁棒性可推广到原始雾强度网格之外。
*4.2.4 配对复原质量与检测性能*：DehazeFormer在每个雾等级均改善PSNR和SSIM，但检测增益不成比例；例如在最低雾等级下PSNR提升12.57 dB而mAP@0.50:0.95仅提升0.001。
*4.3 跟踪性能*：两种跟踪器的性能主要由底层检测器鲁棒性驱动；包含雾训练提供最一致的跟踪鲁棒性，复原对仅清晰训练的检测器最有益。视频06相对稳定，视频10最具挑战性；ByteTrack和BoT-SORT趋势相似，差异与序列和条件相关。
**讨论与结论**
讨论指出，图像复原质量与下游感知质量不是等价目标；复原误差在空间上是结构化的，局部对比度变化、边缘失真或光晕伪影会影响远程UAV检测所依赖的微小图像区域。训练时适应比单独复原更能驱动鲁棒性；实际部署可采用条件感知操作，根据估计的能见度和计算预算调整复原或检测器选择，复原在有人参与回路场景中仍可提升操作员态势感知。
结论部分总结：研究者提出了一个任务驱动的评估框架，利用基于MiDaS深度估计和大气散射模型的深度感知雾合成流程，为远程UAV图像生成受控合成雾等级。结果表明，合成雾通过增加漏检显著降低小型空中目标的检测与跟踪性能；包含雾训练提供最一致的鲁棒性改进，降低性能下降幅度及其对雾严重程度的敏感性；测试时复原仅在检测器仅用清晰图像训练时最有益，可部分缩小清晰到雾的域差距。图像级复原质量改进不必然转化为下游感知的成比例增益，应与检测和跟踪指标联合评估。检测相关结论限于所评估的YOLO11系列，跟踪结论限于ByteTrack和BoT-SORT配置及四段DUT序列。未来工作将扩展到真实恶劣天气数据、雨和低光照等更多退化类型、边缘设备实时推理以及相机-雷达融合等多模态感知方向。
