摘要

本文提出了一种名为WARLearn的新框架，旨在应对恶劣及对抗性天气条件下的自适应表示学习问题。该框架借鉴了Barlow Twins中所采用的不变性原理（in-variance principle），成功实现了将原本在晴朗天气数据上预训练的模型，迁移至有效应对恶劣天气条件的能力。在仅需极少额外训练的前提下，该方法在雾天和低光照等复杂场景中展现出显著的性能提升。WARLearn的自适应机制不仅适用于恶劣天气环境，还可广泛应用于数据分布存在显著差异的各类场景，提供一种灵活且通用的解决方案。尤其在数据分布随时间发生剧烈变化的动态环境中，该框架能够使模型持续更新并保持高精度，具有重要的实际应用价值。实验结果表明，WARLearn在未见过的真实世界雾天数据集（RTTS）上取得了52.6%的平均精度均值（mAP），在未见过的真实世界低光照数据集（ExDark）上则达到了55.7%的mAP，表现极为出色。值得注意的是，与当前最先进的多个框架（包括FeatEnHancer、Image Adaptive YOLO、DENet、C2PNet、PairLIE和ZeroDCE）相比，WARLearn在恶劣天气条件下的性能均实现了显著超越，大幅提升了基线模型在雾天与低光照场景中的表现。WARLearn的开源代码已发布于：https://github.com/ShubhamAgarwal12/WARLearn