面向真实降质环境下的无监督特征矫正视觉识别方法

本发明涉及自动驾驶相关技术领域，尤其涉及面向真实降质环境下的无监督特征矫正视觉识别方法，针对现有方法依赖配对数据、泛化性差等问题，提出基于深度通道先验的无监督特征增强模块(UFEM)和基于深度结构先验的特增强与结构聚合模块(FESAM)，UFEM通过双学习架构和两阶段训练(特征内容复原与通道相关性调制)恢复退化特征细节，FESAM采用双分支框架，融合特征增强分支与结构信息聚合分支的输出，实现高效无监督特征矫正，实验表明，该方法在图像分类、目标检测、语义分割三类任务及八个基准数据集上显著提升模型性能，在严重退化场景中将VGG16分类精度提升超两倍，ResNet50精度提升18.3％，且无需配对数据标注，兼顾高效性与实用性，为自动驾驶系统提供鲁棒视觉感知支持。