《Transportation Research Interdisciplinary Perspectives》：Architectural robustness in lane detection systems: Geometric constraints and adversarial stability
编辑推荐：
本研究提出一种结合谱归一化（Spectral Normalization）的规则增强卷积神经网络（Rule-Augmented CNN），将几何先验直接嵌入网络架构，并在TuSimple（高速公路）和CULane（复杂城市）数据集上进行了评估。鲁棒性以ρ =
本研究提出一种结合谱归一化（Spectral Normalization）的规则增强卷积神经网络（Rule-Augmented CNN），将几何先验直接嵌入网络架构，并在TuSimple（高速公路）和CULane（复杂城市）数据集上进行了评估。鲁棒性以ρ = IoUattack/IoUclean度量，其中ρ = 1.0表示无性能退化。在三个随机种子下，规则增强模型在TuSimple上较标准CNN的干净IoU提升＋101%，在CULane上提升＋136%，且在更复杂的城市场景中获得更大增益。在与既有架构采用统一训练协议的基准对比中，该模型的优化版本在干净IoU上与SCNN统计相当，并超越LaneNet风格基线，同时是唯一提供认证L2鲁棒性（半径0.307/0.299，一致性＞99%）的模型。关键在于，尽管基于准确率的指标记录到近乎完美的鲁棒性，基于IoU的评估揭示迭代PGD攻击对规则增强模型的破坏（ρPGD ≈ 0.001）比标准CNN（ρPGD ≈ 0.14）更为严重：其更丰富的多模态输入创造了更大的对抗攻击面。这一分歧凸显了在不平衡分割任务中基于IoU的鲁棒性指标优于基于准确率的代理指标的重要性，并为自动驾驶中可认证鲁棒的感知确立了架构设计原则。
论文解读文章
一、研究背景与问题
车道感知是自动驾驶系统的核心能力，道路车道的几何结构直接约束车辆定位、轨迹生成和实时控制决策。与以物体为中心的感知任务不同，车道检测必须在细薄标线、部分遮挡、漆面退化以及快速变化的照明条件下保持可靠。这些挑战因对抗性扰动而进一步加剧，使得鲁棒性成为实际部署的首要安全要求。
早期车道检测方案依赖基于手工特征的传统计算机视觉流水线，近年来深度学习方法显著提升了检测精度。为弥补纯数据驱动模型的局限，将几何先验嵌入CNN的混合架构成为一种有前景的路径。然而，现有文献缺乏在标准化实验条件下的受控对比评估，尤其是在对抗鲁棒性方面存在明显空白。已有研究通常将准确率或鲁棒性单独评估，且基于准确率的鲁棒性代理指标在高度不平衡的分割任务中不可靠——车道像素仅占图像面积的不到3%，一个能正确分类所有背景像素的模型即使完全无法检测车道，也能获得很高的准确率。
二、研究内容与结论
本研究引入了一种基于IoU的鲁棒性比率ρ = IoUattack/IoUclean作为主要评估指标，以揭示被准确率指标掩盖的脆弱性。研究提出的规则增强CNN架构将几何先验通过三种不同机制嵌入网络：工程化输入通道（Hough累加器图和消失点热力图）、架构注意力约束以及强制空间连续性的消息传递模块，同时结合谱归一化施加Lipschitz约束以限制梯度放大。
研究在TuSimple和CULane两个基准数据集上进行了系统评估，采用一致的三随机种子（42、123、456）协议，每个数据集选取1000个样本子集，按640/160/200划分训练/验证/测试集，缩放至256×320像素。研究还通过与SCNN、LaneNet等既有架构在统一训练协议下的基准对比，以及组件级消融实验，全面验证了各设计要素的贡献。
研究得出以下核心结论：规则增强模型在干净IoU上较标准CNN提升＋101%（TuSimple）和＋136%（CULane），在更复杂的城市场景中获得更大增益；优化版本在干净IoU上与SCNN统计相当并超越LaneNet风格基线，同时是唯一提供认证L2鲁棒性的模型；然而，基于IoU的评估揭示迭代PGD攻击对规则增强模型的破坏（ρPGD ≈ 0.001）远严重于标准CNN（ρPGD ≈ 0.14），其更丰富的多模态输入反而创造了更大的对抗攻击面。
三、主要关键技术方法
研究采用以下关键技术方法：其一，规则增强CNN架构，通过十一通道输入张量（RGB图像经预处理层导出灰度强度、Sobel边缘幅度、HSV值通道、HSV饱和度通道、白/黄标线二值颜色掩码、垂直ROI掩码六个特征图，再拼接Hough累加器图和消失点热力图两个额外通道）编码几何先验，并采用几何注意力机制w(y) = σ((y ? 0.6H)/0.1H)按垂直位置加权特征；其二，谱归一化技术，对三个卷积块（32、64、128滤波器）和两个上采样块施加Lipschitz约束；其三，优化变体中的消息传递解码器模块，通过跨特征图行和列的序列一维卷积传播空间上下文并残差累积；其四，自适应损失函数，结合加权二元交叉熵（BCE）和Dice损失；其五，多维度鲁棒性验证体系，涵盖经验攻击（FGSM、PGD）、随机平滑认证鲁棒性、梯度分析及组件级消融。数据集来源为TuSimple（高速公路，车道像素占图像1%–2%）和CULane（复杂城市，车道像素约2.5%，85.1%场景已标注）。
四、研究结果
4.1 干净性能对比。 在三个随机种子下，规则增强模型在TuSimple上干净IoU较标准CNN提升＋101%，在CULane上提升＋136%，且增益在更复杂的城市场景中更大，表明几何先验的嵌入对复杂场景的检测能力提升更为显著。
4.2 与既有架构的基准对比。 在统一训练协议下，优化版本的规则增强模型在干净IoU上与SCNN统计相当，超越LaneNet风格基线和标准基线，同时是唯一提供认证L2鲁棒性（半径0.307/0.299，一致性＞99%）的模型，表明该架构在保持竞争力的同时具备形式化鲁棒性保证。
4.3 对抗鲁棒性评估。 基于准确率的指标记录到近乎完美的鲁棒性，但基于IoU的评估揭示迭代PGD攻击使规则增强模型崩溃（ρPGD ≈ 0.001），比标准CNN（ρPGD ≈ 0.14）严重得多。这一分歧表明，其更丰富的多模态输入虽然提升了干净性能，却也创造了更大的对抗攻击面。
4.4 消融研究。 通过组件级消融隔离几何先验、谱归一化和空间消息传递的各自贡献，验证了各设计要素在提升干净性能和影响鲁棒性方面的独立作用。
五、讨论与结论
研究揭示了一个关键矛盾：架构先验在提升干净性能的同时可能扩大对抗攻击面。基于准确率的鲁棒性指标在不平衡分割任务中具有严重误导性，而基于IoU的鲁棒性比率ρ能够更真实地反映模型在对抗条件下的实际退化程度。从学习理论视角，规则增强架构通过引入归纳偏置约束网络的假设空间，使其趋向几何一致的车道结构，这种约束作为一种结构化正则化，在输入分布偏移或引入扰动时可能改善泛化能力。
研究结论可归纳为：几何先验的架构嵌入能显著提升车道检测的干净性能，尤其在复杂城市场景中；但多模态输入的丰富性同时扩大了对抗攻击面，使模型对迭代攻击更为脆弱；基于IoU的鲁棒性指标应取代基于准确率的代理指标，用于不平衡分割任务的鲁棒性评估；该研究为自动驾驶中可认证鲁棒感知确立了架构设计原则，对增强退化基础设施条件下的可靠性、混合自主交通中的安全裕度以及未来监管合规框架中的形式化鲁棒性保证具有潜在意义。
