雨天场景下的稳健光流估计
该研究论文提出了一种基于光流的移动物体检测框架，利用单应性矩阵在线构建光流背景模型，并设计了一个双模式判断机制来提高系统对复杂场景的自适 应性，实验证明该方法优于现有的方法，具有适应不同场景的优势。
Jul, 2018
本研究提出一种基于视频的贴附式雨滴去除方法，分为单图像模块和多帧模块两个阶段，前者使用雨滴去除网络生成初步结果，后者根据多帧输入和输出之间的时空关系进行进一步优化，采用非监督学习方法进行贴附式雨滴去除。
May, 2022
通过在 climate science 和 meteorology 领域中，利用 statistical downscaling 方法实现 local precipitation predictions 的数据驱动降尺度化，本研究通过扩展最近的视频扩散模型，结合光流和时间条件扩散模型，成功实现了高分辨率降水模式的预测。
Dec, 2023
通过将场景分解为深度一致的单位，并在 SP 级别对场景内容进行对齐处理，本文提出了一种新的去雨算法，该算法采用卷积神经网络将排序空间 - 时间匹配张量和一致的时间匹配张量准备用作输入特征，从而为中间去雨输出恢复高频细节。
Mar, 2018
本文提出了一种半监督深度学习方法，并使用真实的雾霾图像进行训练，使用了新的训练策略组合监督合成数据训练和非监督实际数据训练，在稠密的雾霾场景下，优化了光流估计，有着优越性能表现。
Apr, 2020
研究使用光流残差技术实现动态语义感知的 RGB-D 环境下的 SLAM，同时实现动静分割、相机运动估计和静态背景重建。实验证明该方法在动态和静态环境中都比现有的方法具有更高的精度和效率。
Mar, 2020
本论文利用基于深度学习的方法，通过估计光流场并使用卷积神经网络，从短序列图像中去除窗户反射、栅栏遮挡和雨滴等干扰因素。该方法能够处理一些错误和脆弱假设，并在多个具有挑战性的场景中表现出不错的效果。
Apr, 2020
本文研究复杂的雨天环境下的车道深度估计，在深度神经网络生成模型的基础上，通过卷积核预测的概念，提出了一个经过离线训练的双层像素级卷积核预测网络。同时，考虑到当前缺乏真实的雨天车道数据，引入了一个图像合成算法，RCFLane，用于综合考虑降雨和局部雾效所引起的环境变暗。通过在常用深度估计数据集 KITTI 上创建包含 820 个实验图像的合成数据集 RainKITTI，广泛实验证明了我们提出的深度估计框架在高度复杂的车道雨天环境中取得了良好的结果。
May, 2024