小型無人航空機（UAV）の検出と追跡は、航空撮影において重要な応用分野ですが、霧などの悪天候下ではその性能が大きく低下します。本論文は、合成霧の生成から画像復元、物体検出、追跡までを統一的に評価するタスク駆動型フレームワークを提案しています。実際に霧の中でUAVを撮影したデータセットの収集と注釈付けは実用的に困難であるため、研究チームは単眼深度推定と大気散乱モデルを組み合わせて、晴天時の実画像から合成霧を生成する手法を開発しました。 このフレームワークでは、古典的な復元手法からCNNベースの手法、さらにトランスフォーマーベースの手法まで、複数の画像復元方法を比較評価しています。その後、性能が最も優れた復元モデルを下流の認識パイプラインに統合しています。物体検出器の評価では、晴天画像のみで学習した場合と霧を含めて学習した場合の両方のシナリオを検討し、複数の検出器バリアントを使用しています。追跡に関しては、晴天、霧の中、そして復元された映像シーケンスの3つの条件下で追跡性能を測定しています。 研究結果として、霧は主に検出漏れの増加を通じて、検出と追跡の両方を大きく低下させることが明らかになりました。霧を含めた学習データで訓練することが最も一貫性のある堅牢性向上をもたらす一方、テスト時の画像復元は、検出器が晴天画像のみで学習されている場合に最も効果的であることが判明しました。重要な知見として、画像レベルの復元品質の改善が、必ずしも下流の検出・追跡性能に比例して向上をもたらさないことが示されました。このため、復元性能だけでなく、検出・追跡性能と併せて総合的に評価する必要があることが強調されています。