仿生可分离学习视觉模型SLVM：暗光交通场景实时目标感知的突破性研究

【编辑推荐】本文创新性提出仿生可分离学习视觉模型(SLVM)，通过光适应瞳孔机制(LAPM)、特征级可分离学习(FSLConv)和任务解耦策略，攻克暗光交通场景下目标检测、实例分割和光流估计的难题。配套发布的Dark-traffic数据集（10,000+图像）填补领域空白，实验显示SLVM在检测(mAP+11.2%)、分割(+6.1%)等任务全面超越YOLOv12、RT-DETR等基线模型。

　　

Highlight

本文亮点在于构建了目前最大的暗光交通场景标注数据集Dark-traffic，并提出仿生可分离学习视觉模型(SLVM)。该框架通过模拟生物视觉系统的瞳孔自适应机制(LAPM)和任务解耦策略，在低照度条件下实现多任务协同优化，显著提升感知性能。

Methods

方法部分详细介绍了：1）基于真实暗光场景物理特性的光照退化模型；2）受动物视觉启发的光适应瞳孔感知机制(LAPM)，能动态调整特征提取过程；3）特征级可分离学习卷积模块(FSLConv)，模仿生物学习行为实现特征解耦；4）针对生物感知特化设计的任务专用分支；5）创新的空间错位感知融合模块(SNI-r)，解决多尺度特征对齐问题。

Experiments

实验在NVIDIA Tesla A40 GPU平台开展，输入分辨率640×640。SLVM在Dark-traffic数据集上表现卓越：检测mAP超越RT-DETR达11.2个百分点，分割精度较YOLOv12提升6.1%，光流端点误差(EPE)降低12.37%。在LIS基准测试中，端到端训练的SLVM平均指标超越Swin Transformer+EnlightenGAN组合11个百分点。

Discussion

研究揭示了现有感知系统在泛化性、鲁棒性方面的关键局限。通过Dark-traffic数据集验证了任务专用暗光基准的必要性——现有数据集或缺乏交通语义，或缺少密集实例标注。SLVM的模块化架构为恶劣光照条件下的实时感知提供了新范式。

Conclusion

本研究通过SLVM框架和Dark-traffic数据集，为暗光交通感知开辟了新途径。三大创新包括：1）物理真实的光照退化模型；2）任务无关的模块化生物启发架构；3）特征级对齐优化技术。该成果对智能驾驶、交通监控等工程应用具有重要价值。