《Advanced Engineering Informatics》：RADNet: A robust adaptive detection network enabling automated traffic perception in complex foggy roadway environments
编辑推荐：
•统一的 RADNet 框架可在雾天道路环境中实现自动化的交通感知。•可微分的 PFNet 能够提纯潜在特征，从而抑制环境噪声。•RepACmix-ANM 借助重参数化，在推理阶段将分支折叠为统一结构。•仅训练阶段的对抗性引导可用于对齐跨域的特征分布。•在 58 FPS 的推
- •
统一的 RADNet 框架可在雾天道路环境中实现自动化的交通感知。
- •
可微分的 PFNet 能够提纯潜在特征，从而抑制环境噪声。
- •
RepACmix-ANM 借助重参数化，在推理阶段将分支折叠为统一结构。
- •
仅训练阶段的对抗性引导可用于对齐跨域的特征分布。
- •
在 58 FPS 的推理速度下，相较 YOLOv11s 实现了 6.65% 的性能提升，并具备稳健的零样本泛化能力。
引言
稳健的感知技术依托先进的传感与信息处理手段对道路环境进行监测，对于智能交通系统的发展至关重要 [1]、[2]、[3]。它是自动驾驶安全性与可靠性的基础支柱，其中对车辆与行人的准确识别尤为关键。尽管深度学习模型在晴朗天气条件下已取得显著成熟，但在浓雾与雾霾等大气散射条件下，其性能会出现急剧下降 [1]、[4]。
这种性能下降主要源于能见度降低，以及这些具有挑战性的户外环境在许多地区频繁出现，从而严重影响深度检测算法的特征提取质量 [4]、[5]。与雨丝、雪花等造成离散空间遮挡的局部现象不同，雾气会导致特征分布的整体漂移，降低对比度、扭曲物体边界，并在整幅图像流形上产生离焦模糊。这一根本性差异使大气散射成为现代计算机视觉面临的主要挑战，因为这种失真代表了对判别性特征的系统性稀释，而非简单的加性噪声 [1]、[6]。这些效应直接损害了定位与分类的准确性，导致相邻目标被错误合并，或不显著的远景物体被完全遗漏。在此类环境下维持可靠且准确的检测对公共安全至关重要，因为能见度相关的大气退化仍是全球交通事故致死的主要原因之一 [2]、[7]、[8]。因此，开发一种能够克服这些多样且显著不同退化条件的稳健且稳定的交通目标检测系统，仍然是一项重要且尚未解决的重大挑战。
当前试图缓解图像退化的研究，在计算效率与复杂道路环境下的架构泛化方面均存在显著局限 [6]、[8]。尽管众多方法利用多样的图像信号处理（ISP）技术与深度复原技术来提升可见度 [1]、[5]，但它们主要针对以人为中心的感知质量进行优化，而非以机器为中心的语义识别 [6]。尽管在视觉复原方面有效，这些像素级重建与去雾流程往往会导致特征稀释，同时还需要巨大的计算开销才能生成高保真的视觉输出 [9]、[10]、[11]。这引入了与边缘端自动驾驶及智能交通系统严格要求的实时性不兼容的执行延迟 [12]。此外，尽管直接在退化输入上进行训练以及采用轻量化架构旨在最小化延迟，但它们往往会遇到表征瓶颈，即网络缺乏在复杂大气失真下恢复判别性线索的能力。类似地，传统域适配 [13]、[14] 与联合多任务框架往往也因在晴朗流形与退化流形之间的转换导致关键物体几何信息的系统性丢失而失败，这源于子网络之间特征交互效率低下 [15]、[16]、[17]。为弥补这些系统性缺陷，我们研究了在统一流程中对潜在层特征精炼与检测的联合优化，以在维持实时约束的前提下，实现一个稳健且对退化不变的系统。
如图 1 所示的功能概览，稳健自适应检测网络（Robust Adaptive Detection Network，RADNet）通过统一架构将底层特征精炼与高层目标识别相结合。该框架通过绕过显式图像级重建，实现了稳健的特征提取与精炼的潜在表征。该框架并非从零开始设计，而是利用已有的架构组件来解决恶劣大气条件下的退化问题。RADNet 通过两个主要组件直接耦联感知与识别：精确滤波网络（Precision Filter Network，PFNet）与精确检测网络（Precision Detection Network，PDNet）。PFNet 利用 ConvNeXt-V2-A 权重 [18] 作为潜在空间精炼模块，通过在特征流形中抑制环境噪声，针对最终识别目标优化受污染的特征。这确保下游检测模块能够接收到纯净的特征信号，从而保留传统去雾过程中常常丢失的关键物体几何信息。在 PDNet 内部，一个高效的单阶段 YOLOv11 [19] 作为基线检测器，用于部署 RepACmix-ANM 混合注意力模块。通过采用非对称拓扑变换进行结构重参数化，如图 2 所述的分离式推理策略所示，模型在训练阶段受益于复杂的、多分支的特征学习，而在推理阶段则将这些分支折叠为高效的单路径卷积核。此外，这一设计还辅以一个仅用于训练阶段的对抗学习模块（ALM），利用局部特征单元（LFU）与全局上下文单元（GCU）来对齐特征分布，并引导在不同能见度条件下的特征学习。通过协同作用——在潜在层对散射引起的退化进行精炼，并结合任务特定的稳健检测——RADNet 提供了一种可部署的解决方案，在标准检测器通常遭遇系统性特征稀释的复杂道路环境中，维持结构韧性并保证实时稳定性。
本文的主要贡献总结如下：
- (i)
我们提出了 RADNet，一种统一的单阶段框架，它在架构上贯通了潜在层提纯与下游识别，从而实现自适应的、对退化不变的特征映射，以应对各类大气失真，达成稳健的感知能力。
- (ii)
我们开发了轻量级 PFNet 架构，将 ConvNeXt-V2-A 权重与专用于层级化潜在分解的潜在精炼模块（LRM）相结合，利用针对特征空间的变换来抑制环境伪影，同时保留潜在信号中的关键物体几何信息与判别性纹理。
- (iii)
我们提出了 RepACmix-ANM 混合注意力模块，通过结构重参数化将自注意力与卷积归纳偏置协同起来，并将多分支学习折叠为便于高效推理的简洁卷积核。
- (iv)
我们实现了一个仅训练阶段使用的 ALM，通过 LFU 与 GCU 提供对抗性监督，在无雾流形与退化流形之间对齐局部与全局特征分布，从而培养域不变表征，同时缓解统一混合训练环境中发生的特征稀释。
章节摘要
复杂视觉条件下的目标检测
现代深度学习架构已彻底改变了复杂目标的识别问题，通常可分为单阶段检测器 [19]、[20]、两阶段模型 [21] 与基于 Transformer 的框架 [22]。尽管这些架构在晴朗天气基准测试上定义了当前技术水平，但在大气扰动条件下其性能会出现崩塌，浓雾与雾霾引入了严重的大气散射与对比度退化 [1]、[5]、[12]。这一现象导致复杂车辆
RADNet 概览
为缓解恶劣大气条件下的特征退化问题，我们提出了 RADNet——一种端到端架构，它在统一的特征流形中将可微分的潜在精炼与分布对齐的检测器相集成。通过耦联精确滤波网络（PFNet）与精确检测网络（PDNet），该框架建立了一条全局优化路径，使所有潜在变换都优先服务于单一的定位目标，而非彼此分离的感知目标
数据集概述与混合训练策略
为解决恶劣视觉条件下的数据稀缺问题，RADNet 采用混合训练策略，汇集合成雾天数据与无雾数据源，以增强模型在复杂城市场景中的泛化能力。为标准化训练流程，源数据集中的原始多边形标注被转换为符合标准 YOLO 格式的紧密包围矩形坐标。这种统一的混合训练分布增强了架构容量
结论
本文提出了 RADNet——一种旨在联合优化特征提纯与目标检测的统一框架，用于在恶劣的雾天与霾天道路环境中实现稳健的感知。通过将潜在层特征提纯与下游任务特定的识别直接桥接，该架构借助精确滤波网络（PFNet）（用于噪声抑制）与精确
CRediT 作者贡献声明
Md Rahatul Ashik Tanvir：起草原稿、可视化、验证、软件、方法论、形式化分析、数据整理、概念构思。Mujtaba Asad：审阅与编辑原稿、验证、项目管理、调查研究、形式化分析。Zhong-Ren Peng（彭仲仁）：审阅与编辑原稿、指导、资源、项目管理、调查研究。Hong-Di He（何红弟）：指导、调查研究。Zhang Zhipeng（张志鹏）：指导。
利益冲突声明
作者声明不存在任何已知可能影响本文所述工作之报告客观性的财务利益关系或个人关系。
致谢
本研究部分受到国家社会科学规划办公室（编号：16ZDA048）与国家自然科学基金委员会（编号：11672176）的支持。我们亦感谢杨金明与王一周在本项目全程中所给予的宝贵协作、有益建议与指导。
Md Rahatul Ashik Tanvir|Mujtaba Asad|Zhong-Ren Peng|Hong-Di He|Zhang Zhipeng
