arXiv cs.AI· Danial Safaei, Siddartha Khastgir, Matthew Higgins, Jeroen Ploeg, Mohsen Alirezaei, Son Tong, Ludo Gielen·· 14 小时前AI 评分26
C-DFF：面向自动驾驶感知仿真验证的概念级机制一致性诊断方法
C-DFF: Concept-Level Diagnostics for Mechanism Parity in Simulation-Based Validation of Autonomous Driving Perception
AI 导读
研究者提出 C-DFF，一种针对真实-合成图像配对评估的概念级机制一致性诊断方法，从冻结被测系统提取决定性证据并投影到共享语义概念空间，比较真实与合成图像的概念重要性向量。
正文 · AI 翻译
摘要：仿真被广泛用于自动驾驶验证，但真实图像与合成图像之间任务输出的一致并不能保证系统依赖相同的视觉证据。这为迁移带来了验证缺口，在安全关键的感知功能中尤为突出。我们提出概念决定性特征保真度（C-DFF），一种用于成对真实-合成评估的概念级机制一致性诊断方法。C-DFF 从冻结的待测系统（SUT）中提取决定性证据，利用现成的分割方法将该证据投影到共享语义概念空间，并比较真实与合成的概念重要性向量。其结果不仅是一个标量机制一致性得分，还是一种概念偏移诊断，可识别哪些场景概念在仿真中变得更具或更少决定性。我们在 KITTI $\leftrightarrow$ Virtual KITTI 2 上评估 C-DFF，使用 2126 对匹配样本，涵盖三个冻结 SUT（转向回归、YOLOP 可行驶区域、YOLOP 车道线）。在这些任务中，C-DFF 具有 SUT 区分性，并能产生可解释的概念级摘要，支持验证分诊和模拟器调试。当与任务特定的输出值上下文指标一同报告时，C-DFF 表明输出一致本身并不能确立机制一致性。这些结果将 C-DFF 定位为基于仿真的 AV 测试中验证与确认工作流的实用语义诊断层。
| 注释： | 7 页，4 幅图，5 张表。已被 2026 年 IEEE 第 29 届国际智能交通系统会议（ITSC）接收并展示，意大利那不勒斯，2026 年 9 月 15-18 日 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器人学（cs.RO） |
| 引用为： | arXiv:2610.33760 [cs.CV] |
| （或 arXiv:2610.33760v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.33760 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Danial Safaei [查看电子邮件]
[v1]
2026 年 10 月 24 日星期六 16:02:43 UTC（2,997 KB）
来源：arXiv cs.AI · arxiv.org