論文の概要: A Data Efficiency Study of Synthetic Fog for Object Detection Using the Clear2Fog Pipeline

• arxiv url: http://arxiv.org/abs/2605.12608v1
• Date: Tue, 12 May 2026 18:01:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.600724
• Title: A Data Efficiency Study of Synthetic Fog for Object Detection Using the Clear2Fog Pipeline
• Title（参考訳）: Clear2Fogパイプラインを用いたオブジェクト検出のための合成フォッグのデータ効率の検討
• Authors: Mohamed Ahmed Mohamed, Xiaowei Huang,
• Abstract要約: 悪天候下での物体検出は、自動運転車の安全性にとって重要である。 クリーンウェザーデータセット上で霧をシミュレートする,エンドツーエンドの物理ベースのパイプラインであるClear2Fogを提案する。
• 参考スコア（独自算出の注目度）: 13.221137493760699
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detection in adverse weather is critical for the safety of autonomous vehicles; however, the scarcity of labelled, real-world foggy data remains a significant bottleneck. In this paper, we propose Clear2Fog (C2F), an end-to-end, physics-based pipeline that simulates fog on clear-weather datasets while ensuring sensor-level consistency across camera and LiDAR. By using monocular depth estimation and a novel atmospheric light estimation method, C2F overcomes structural artifacts and chromatic biases common in existing techniques. A human perceptual study confirms C2F's physical realism, with the generated images being preferred 92.95% of the time over an established method. Utilising a training set of 270,000 images from the Waymo Open Dataset, we conduct an extensive data efficiency study to investigate how environmental diversity influences model robustness. Our findings reveal that models trained on mixed-density fog datasets at 75% scale outperform those trained on fixed-density datasets at 100% scale. Furthermore, we investigate the sim-to-real transfer by fine-tuning pre-trained models on real-world foggy data. We demonstrate that a tenfold increase over the default fine-tuning learning rate successfully overcomes negative transfer from synthetic biases, resulting in a 1.67 mAP improvement over real-only baselines. The C2F pipeline provides a scalable framework for enhancing the reliability of autonomous systems in adverse weather and demonstrates the potential of diverse synthetic datasets for efficient model training.
• Abstract（参考訳）: 悪天候下での物体検出は、自動運転車の安全性にとって重要であるが、ラベル付けされた現実世界の霧のデータの不足は、依然として重大なボトルネックとなっている。 本稿では、カメラとLiDAR間のセンサレベルの一貫性を確保しつつ、クリアウェザーデータセットの霧をシミュレートする、エンドツーエンドの物理ベースのパイプラインであるClear2Fog(C2F)を提案する。 単分子深度推定と新しい大気光推定法を用いて、C2Fは既存の技術に共通する構造的アーティファクトと色偏差を克服する。 人間の知覚学的研究は、C2Fの物理的現実性を確認し、生成された画像は確立された方法よりも92.95%の時間を好む。 Waymo Open Datasetからの270,000イメージのトレーニングセットを利用して、環境多様性がモデルロバスト性にどのように影響するかを調査する。 その結果,混合密度フォグデータセットで75%のスケールでトレーニングしたモデルは,100%のスケールでトレーニングしたモデルよりも優れていた。 さらに,実世界の霧データに基づく微調整事前学習モデルを用いて,シム・トゥ・リアル・トランスファーについて検討した。 我々は、デフォルトの微調整学習率よりも10倍の増大が、合成バイアスからの負の移動をうまく克服し、結果として、実際のベースラインよりも1.67mAPの改善がもたらされることを実証した。 C2Fパイプラインは、悪天候下で自律システムの信頼性を高めるスケーラブルなフレームワークを提供し、効率的なモデルトレーニングのための多様な合成データセットの可能性を示している。

関連論文リスト

• Physically-Induced Atmospheric Adversarial Perturbations: Enhancing Transferability and Robustness in Remote Sensing Image Classification [54.952203312050564]
  敵対的攻撃は、リモートセンシング(RS)画像分類におけるディープラーニングモデルの信頼性に深刻な脅威をもたらす。 本稿ではフォグフール(FogFool)を提案する。 2つのベンチマークRSデータセットの実験は、FogFoolが優れたパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-04-16T05:47:57Z)
• Simulating Realistic LiDAR Data Under Adverse Weather for Autonomous Vehicles: A Physics-Informed Learning Approach [7.735941375698213]
  既存の方法は、LiDAR信号と大気現象の間の複雑な相互作用を捉えるのに苦労し、非現実的な表現をもたらす。 本稿では,悪天候下での現実的なLiDARデータ生成のための物理インフォームド学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-01T06:36:59Z)
• FOD-S2R: A FOD Dataset for Sim2Real Transfer Learning based Object Detection [17.442807911285772]
  航空機の燃料タンク内の異物爆発(FOD)は、重大な安全上の危険をもたらす。 燃料タンクの内部にある複雑な囲いのある環境のための専用のデータセットが不足している。 航空機燃料タンク内のFODの実画像と合成画像からなる新しいデータセットFOD-S2Rを提案する。
  論文  参考訳（メタデータ） (2025-12-01T06:16:26Z)
• Object detection in adverse weather conditions for autonomous vehicles using Instruct Pix2Pix [1.15692661299731]
  悪天候下での物体検出システムの堅牢性向上は、自律運転技術の進歩に不可欠である。 本研究では,拡散モデル Instruct Pix2Pix を用いた気象モデルによる現実的なデータセット生成手法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T05:12:07Z)
• Pseudo-Label Guided Real-World Image De-weathering: A Learning Framework with Imperfect Supervision [57.5699142476311]
  非理想的な監視を伴う実世界のイメージデウェザリングのための統一的なソリューションを提案する。 本手法は,不完全整合型非整合性データセットのトレーニングにおいて,大きな利点を示す。
  論文  参考訳（メタデータ） (2025-04-14T07:24:03Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。