基於影像增強方法池與SAM3遮罩優化之夜間道路分割及道路遮罩輔助車輛生成之應用

想解決什麼問題

夜間光線不足、路燈與車燈眩光，讓道路分割模型的表現大幅下降，而道路區域正是自駕與監控系統最基本的資訊。

怎麼做

1. 建立 40 種影像增強組合的「方法池」：色彩校正、對比增強、深度導引、不同 CLAHE 參數，替每張夜間影像產生多種候選版本
2. 用 SAM3 從每個候選版本產生道路遮罩
3. 比較三種遮罩挑選／融合策略：整張挑最好（PoolBest）、片段拼接（GlobalGreedy）、像素加權投票（WMF Vote）
4. 形態學後處理（Closing 最關鍵）補起裂縫、孔洞與鋸齒邊界
5. 延伸應用：把優化後的道路遮罩當作提示，請 ChatGPT 在道路上生成車輛

做出了什麼

• 四個夜間資料集上，GlobalGreedy 的 mIoU：ACDC Night 0.933、Dark Zurich Night 0.950、Nighttime Driving 0.933、NightCity 0.866（此方法需標準答案，代表可達上限）
• 不需標準答案的 WMF Vote 在四個資料集都改善了道路邊界（Boundary IoU）
• 車輛生成：車輛位置示意圖在 SSIM、CLIP、DINO 表現較好，道路遮罩在 PSNR、LPIPS 較好，兩者各有所長

成果圖