악천후(비, 안개, 모래, 눈)는 자율 주행 차량의 카메라 기반 객체 탐지(Object Detection) 성능을 저하시킵니다. 기존의 '강화 후 탐지(enhancement-then-detect)' 방식은 안전에 직결된 인지 루프(perception loop)를 지연시켜 엄격한 실시간 요구 사항을 위반합니다. 이 문제의 발전은 또한 잘 인식되지 않은 평가 한계(evaluation ceiling)에 의해 제약받고 있습니다. 즉, 열악한 이미지에 주석(annotation)을 달 때, 주석 작업자 본인조차 볼 수 없었던 객체를 복원해낸 탐지기(detector)는 정당한 평가를 받지 못하며, 이로 인해 진정으로 유용한 강화 기술이 거의 변화 없는 F1 점수 상승으로 기록될 수 있습니다.

본 논문은 학습이 필요 없는 3개 스레드 시스템인 CADENet (Condition-Adaptive Asynchronous Dual-stream Enhancement Network)을 제안합니다. 스레드 S (YOLOv11n)는 추가 지연 시간 없이 전체 프레임 속도로 탐지를 수행합니다. 스레드 Q는 조건 적응형 강화 (CAPE, Condition-Adaptive Enhancement)를 적용하고, 스레드 S를 차단하지 않으면서 엔트로피 가이드 NMS (EG-NMS, Entropy-Guided Non-Maximum Suppression)를 통해 결과를 융합합니다. 스레드 E는 CLIP 제로샷(zero-shot) 날씨 분류를 제공하여, 라벨링된 데이터나 재학습 없이 새로운 텍스트 프롬프트만으로 새로운 날씨 범주를 처리할 수 있습니다.

1,327개의 DAWN 이미지(YOLOv11m, IoU = 0.5, confidence = 0.25)를 대상으로 평가한 결과, CADENet은 눈(snow) 조건에서 Recall = 0.0103 (micro), F1 = 0.0230을 달성하였고, 비(rain) 조건에서 F1 = 0.0038을 달성했습니다. 우리는 DAWN 클래스 데이터의 주석 완결성 편향(annotation completeness bias)을 공식화하였으며, 따라서 보고된 F1 값은 실제 이득의 하한선(lower bounds)입니다. 재현율(Recall)은 주석 격차에 영향을 받지 않는 핵심 지표입니다. 스레드 S는 강화 부하와 관계없이 약 44 FPS를 유지합니다. 모델 재학습이나 추가적인 센서 하드웨어는 필요하지 않습니다.