这篇论文提出了一个新颖的领域自适应目标检测框架，用于自动驾驶在雾天和雨天。我们的方法利用图像级和目标级自适应来减少图像风格和目标外观的领域差异。此外，为了增强模型在具有挑战性样本下的性能，我们引入了一种新的对抗梯度翻转层，该层在领域自适应同时在困难样本上进行对抗挖掘。此外，我们提出通过数据增强生成辅助领域以强制实施新的领域级度量规则。公开基准测试的实验结果表明，在自动驾驶应用的领域转移场景中使用我们提出的方法显著提高了目标检测性能。

Jul, 2023

通过解决样式差异和天气差异两个方面的问题，本文提出了一种针对目标检测的无监督领域适应框架，能够更有效地适应恶劣天气条件下的真实环境，并在恶劣天气条件下的目标检测方面优于其他方法。

Sep, 2023

通过引入一种新的框架和流程，我们提出了一种改善恶劣天气下目标检测的方法，重点解决了传统方法在交通信号灯检测方面由于恶劣天气所引起的领域转移问题。我们详细分析了现有技术的局限性，我们的流程在雪天、雨天和雾天中显著提高了检测精度。结果显示与简单调整相比，平均 IoU 和 F1 分数提高了 40.8％，在域转移情况下（如在人工雪天训练，在雨天图片测试）性能提高了 22.4％。

Jun, 2024

通过设计双路网络和注意力特征融合模块，并提出一个子网络来为检测网络提供无霾特征，我们的 D-YOLO 通过减小清晰特征提取子网络与检测网络之间的距离来改善检测网络的性能，实验证明 D-YOLO 相比现有方法具有更优异的性能表现，是一个强大的检测框架用于弥合低级去雾和高级检测之间的差距。

Mar, 2024

我们提出了一种用于多种恶劣天气条件下的语义分割的方法，它结合了自适应知识获取、伪标签混合和天气组合回放，能够在增强模型适应性和鲁棒性的同时避免遗忘和不断改进先前学习的天气信息，实现了比现有方法更好的性能。

Jan, 2024

本文介绍了一种创新方法，即采用去噪深度神经网络作为预处理步骤，将恶劣天气图像转换为晴朗天气图像，从而提高 ML-ADAS 系统的鲁棒性。通过使用基于 UNet 架构训练的 Weather UNet（WUNet）深度神经网络，我们的研究在恶劣天气条件下实现了物体检测性能的显著提升。特别是在极度雾霾的情况下，我们的解决方案将 YOLOv8n 的平均准确率（mAP）从 4% 提高到 70%。

Jul, 2024

提出了一种新的图片自适应 YOLO (IA-YOLO) 框架，采用可微分的图像处理 (DIP) 模块设计实现，从而提高在逆境气象条件下的对象检测性能，并且在弱监督学习的情况下，联合学习 CNN-PP 和 YOLOv3。实验结果表明，在雾天和低光场景中，IA-YOLO 方法显示出很好的效果。

Dec, 2021

通过使用先进的天气监测网络来过滤喷雾，这篇研究提出了一个框架来提高基于 LiDAR 的 3D 物体检测器对泥水喷溅的抗扰动能力，并且进一步探索了雷达目标的应用来过滤误检。实际数据测试表明，该方法改善了多个热门的 3D 物体检测器对泥水喷溅的稳健性。

Oct, 2023

本文介绍了一种名为 FogGuard 的新型雾天感知目标检测网络，旨在解决雾天气候条件下的挑战。通过在 YOLOv3 基础目标检测算法上引入新的教师 - 学生感知损失，我们的网络在雾天图像中实现了高准确率的目标检测，并通过对 PASCAL VOC 和 RTTS 等常见数据集的广泛评估证明了性能的提升。

Mar, 2024

使用通用的配对训练方法，改进了大型计算机视觉模型在恶劣气候下的语义分割性能，并创建了 WeatherProof 数据集，提供了准确的恶劣气候和晴朗天气的图像对，进一步改善了分割性能的评估，并通过一种采用一致性损失和语言引导的训练流程，使性能提高了 18.4%。

Dec, 2023