要約
本論文では、困難かつ敵対的な天候条件下における適応的表現学習を目的として設計された新規フレームワーク「WARLearn」を紹介する。Barlow Twinsで用いられる不変性原理（in-variance principle）を活用することで、初期に晴天条件下のデータで訓練された既存モデルを、悪天候条件に対応できるように効果的に移行可能であることを示した。わずかな追加学習により、霧や低照度条件といった厳しい環境下においても顕著な性能向上を達成した。この適応的フレームワークは、悪天候環境にとどまらず、データ分布の変動が生じるさまざまな領域にも応用可能であり、柔軟性の高い解決策を提供する。さらに、時間とともにデータ分布が大きく変化する状況においても、モデルが最新の状態を維持し、精度を保つことを可能にする。実験結果から、未知の現実世界の霧状データセット（RTTS）において平均平均精度（mAP）52.6%を達成した。同様に、低照度条件下では未知の現実世界データセット（ExDark）においてmAP 55.7%を達成した。特に、FeatEnHancer、Image Adaptive YOLO、DENet、C2PNet、PairLIE、ZeroDCEといった最先端のフレームワークと比較して、悪天候条件下で大幅な性能優位性を示し、霧と低照度の両条件においてベースライン性能を顕著に向上させた。WARLearnの実装コードは、https://github.com/ShubhamAgarwal12/WARLearn にて公開されている。