自律走行におけるカメラレンズ汚れの重症度推定のための静的から時間的へのフレームワーク
A Static-to-Temporal Framework for Interpretable Camera Lens Soiling Severity Estimation in Autonomous Driving
自律走行におけるカメラレンズの汚れは視覚認識を著しく低下させるため、その重症度推定はカメラヘルス監視と下流の知覚安全性に不可欠である。既存手法はエリアベースの指標やフレームごとの予測に依存し、不透明度の違い、空間的重要性、連続ビデオストリームにおける時間的安定性を十分に考慮できていない。本稿では、カメラ汚れの重症度推定のための静的から時間的へのフレームワークを提案する。まず、タイルレベルの4クラス汚れ分布と画像レベルの重症度スコアを共同で予測するStructured Dual-Head Static Model (SDSM)を提案する。このモデルは、不透明度を考慮した空間的および支配的関連コンポーネントを通じてローカル予測を集約する明示的なStructured Severity Scoreと組み合わされる。次に、リアルな時間的汚れデータの不足を緩和するため、Two-Stage Stable Diffusion (TS-SD)パイプラインを構築し、生成されたSD-Seqデータを直接的な単一フレームの強力な監視ではなく、時間的学習のためのメカニズム監視として使用する。最後に、構造制約付き適応EMAモジュールを導入し、元の単一フレームの重症度スケールを維持しながら時間的安定性を向上させる。WoodScape、External Test、OccNuScenes-Dirtでの実験では、External Testで0.7876のクラスターレベルのSpearman相関を含む、強力なドメイン横断的な重症度推定性能を示した。時間的モジュールは、Jitter (MAD)をさらに51.5%削減する。これらの結果は、カメラ汚れ評価のための解釈可能で、ドメイン横断的で、展開が容易なソリューションを示すものである。
- カメラレンズ汚れの重症度推定のための静的から時間的へのフレームワークが提案され、WoodScape、External Test、OccNuScenes-Dirtでの実験でドメイン横断的な性能を示した。
本稿は、自動運転車のカメラレンズ汚れという実運用上の致命的な課題に対して、静的な単一フレーム推定(SDSM)と時間的安定化モジュールを組み合わせた実用的フレームワークを提案している。特に、シミュレーションデータ(SD-Seq)を時間的学習に活用する手法や、ジッターを51.5%削減した点は、実用化に向けた重要な進展と言える。自動運転の安全性・信頼性に直結するテーマであり、WoodScapeやOccNuScenes-Dirtなど複数データセットでのドメイン横断性能も確認されており、今後の量産車への搭載をにらんだセンサーヘルス監視技術として投資価値がある。