摘要

现有的目标检测方法通常以sRGB图像作为输入，而sRGB图像最初是通过为可视化设计的图像信号处理（ISP）流程从RAW数据压缩而来。然而，这种压缩过程可能丢失对检测至关重要的信息，尤其是在复杂光照与天气条件下。为此，我们提出了AODRaw数据集，该数据集包含7,785张高分辨率真实RAW图像，涵盖135,601个标注实例，覆盖62个类别，并在9种不同的光照与天气条件下采集了丰富的室内外场景。基于支持RAW与sRGB目标检测的AODRaw数据集，我们构建了一个全面的基准测试平台，用于评估当前检测方法的性能。实验发现，基于sRGB的预训练会因sRGB与RAW之间的域差异而限制RAW目标检测的潜力，因此我们提出直接在RAW域上进行预训练。然而，由于相机噪声的存在，RAW预训练相较于sRGB预训练更难学习到丰富的特征表示。为此，我们引入了一种知识蒸馏策略，利用在sRGB域上预训练的现成模型来辅助RAW域的预训练。结果表明，在无需额外预处理模块的前提下，我们的方法在多种复杂和恶劣条件下均实现了显著的性能提升。代码与数据集已开源，地址为：https://github.com/lzyhha/AODRaw。