ICCV 2025 | 自动驾驶夜间检测救星!DeT 框架攻克低光 眩光难题,性能飙升至 50.9% mAP

开车的朋友可能都有过这样的经历：白天看得清清楚楚的行人和路标，到了晚上就突然变得模糊难辨。对自动驾驶系统来说，这种"昼夜视力差异"更是致命难题——在白天图像上训练得好好的目标检测器，一到夜间场景就频繁漏检、误检。

今天要给大家介绍的这篇ICCV 2025新论文，就专门解决这个"白天到夜间域自适应目标检测"难题。来自国内团队的研究者们提出了去偏教师（DeT）模型，从三个维度破解夜间检测的"偏见"，在多个数据集上刷新了SOTA性能！

论文信息

题目：Debiased Teacher for Day-to-Night Domain Adaptive Object Detection

白天到夜间域自适应目标检测的去偏教师模型

作者：Yiming Cui、Liang Li、Haibing Yin、Yuhan Gao、Yaoqi Sun、Chenggang Yan

夜间检测到底难在哪？

先来看组扎心对比：同样的目标检测器，在白天能轻松识别车辆和行人，到了夜间却连红绿灯都看不清（图1）。这背后藏着三个致命偏差：

• 分布偏差：白天和夜间的图像分布差太远！光照、噪声、镜头眩光这些物理因素，让模型面对夜间图像时如同看"外星数据"
• 训练偏差：模型一开始在白天数据上训练，容易"偏心"白天特征；加上类别不平衡，常见目标（比如汽车）越练越好，少见目标（比如骑行者）越练越差
• 确认偏差：自训练框架依赖教师模型生成的伪标签，但一旦教师犯了错，学生就会跟着错，形成"错误循环"

图1：传统方法在夜间场景中面临的三大偏差问题，注意夜间图像中的耀斑和噪声对检测的影响

DeT模型：三管齐下解决偏见

研究者们设计的去偏教师模型，就像给检测器配备了"夜间适应三件套"。先看整体框架图，三个核心模块各司其职又协同作战：

图2：DeT模型的三大核心模块，从数据变换到特征学习再到标签校准，形成完整去偏链路

第一招：白天变黑夜？DNDT模块模拟真实夜间效果

要让模型适应夜间，首先得让它"见多识广"。日夜域变换模块（DNDT） 可不是简单调暗图像，而是从物理层面还原夜间成像规律：

1. 光照建模：用随机"黑暗系数"降低亮度，模拟不同程度的低光照环境
2. 噪声建模：同时加入泊松散粒噪声和高斯读出噪声，还原高ISO拍摄的噪点特征
3. 镜头耀斑建模：从耀斑库中随机选取样本，经仿射变换后叠加到图像上，完美模拟夜间车灯眩光

图3：DNDT模块的魔法：左列是原始白天图像，右列是转换后的夜间风格图像，连路灯眩光都栩栩如生

第二招：特征均衡术！CDRC模块治好"偏心眼"

就算有了模拟夜间数据，模型还是可能偏爱白天特征。跨域表征补偿模块（CDRC） 用两个技巧解决这个问题：

• 双向混合：把白天转换的夜间目标贴到真实夜间图上（D2N），再把真实夜间目标贴到白天图上（N2D），强迫模型同时适应两种分布
• 逆类频率平衡：给少见类别"开小灶"，让骑行者、公交车这些难检测的目标有更多训练机会

图4：ICFB子模块的效果：左图是原始类别分布（汽车占比过高），右图是平衡后的分布，各类别比例更均匀

第三招：标签校准仪！ConCal模块揪出隐藏的正确答案

伪标签不准是自训练的老大难。伪标签确认校准模块（ConCal） 玩了把"双重验证"：

1. 动态阈值过滤：不给所有类别设死标准，根据模型对每个类别的平均置信度调整阈值，避免漏掉本来能检测的目标
2. 师生联合校验：被教师模型筛掉的低置信度提议，只要和学生模型预测高度相似（类别一致+位置接近），就可能被"捞回来"

图5：ConCal模块如何拯救被误删的伪标签：红色框是教师高置信度预测，黄色框是师生共识的低置信度有效目标

实验结果：三个数据集全面碾压

研究者们在BDD100k（真实道路）、SHIFT（模拟驾驶）、TDND（恶劣天气）三个数据集上做了测试，结果相当亮眼：

• 在BDD100k上达到50.9% mAP，比第二名高3.2%
• 在SHIFT数据集上以52.8% mAP领跑，尤其擅长区分密集小目标
• 即使在暴雨大雪的TDND数据集上，也能达到46.7% mAP，证明了鲁棒性

更重要的是，DeT在各类别上的表现更均衡（标准差9.41%），不像其他方法偏科严重。看下面的定性对比，DeT能轻松检测到远处的交通标志和骑行者，而其他方法要么漏检要么误判：

图6：不同方法的检测效果对比，DeT（d列）在低光照和小目标检测上优势明显

消融实验还证明了每个模块的必要性：DNDT贡献3.3%的mAP提升，CDRC再涨3.2%，ConCal最终补上1.0%，三者缺一不可。

为什么这个研究值得关注？

1. 物理建模更真实：不同于单纯的风格迁移，DNDT基于成像原理的模拟让夜间数据更可信
2. 平衡之道有创新：双向混合+逆频率平衡的组合，从数据层面解决了类别不平衡
3. 师生互校新思路：让学生模型参与伪标签校准，打破了传统自训练的"教师一言堂"

对自动驾驶和智能监控来说，这种能跨越昼夜鸿沟的检测技术，无疑会让夜间出行更安全。也许再过不久，我们的车载系统真能像猫头鹰一样，在黑夜里也拥有锐利的"双眼"！