本文提出了一种基于黄昏的方法，通过渐进适应白天场景训练的语义模型，从而实现对夜间场景的语义图像分割。同时，我们构建了一个道路场景数据集，包含从白天到黄昏和到夜晚的3.5万张图像，并密集标注了部分夜晚图像，实验证明该方法可以有效地将白天场景下的模型适应到夜晚场景，无需额外的人工标注。

Oct, 2018

解决了夜晚图像语义分割的问题，提出了一种通过标记合成图像和真实图像来逐渐适应夜间的课程框架，并且设计了一个新的评估框架来处理夜间图像中的语义不确定性。

Jan, 2019

使用生成式对抗网络 (GANs) 方法，我们提出了一个改善在恶劣条件下的语义分割准确度的框架，其中包括将夜间图像转换为白天图像，使用 GANs 生成夜间语义分割数据集，并使用白天数据集中的模型对其进行训练。在实验中发现，“夜间图像比例适当”是使得性能最为稳定的最佳选择。

Aug, 2019

通过逐步改进昼夜时间的语义分割模型，并使用新的不确定性感知注释和评估方法，以及使用我们创建的数据集 - Dark Zurich数据集，相对于之前的研究工作，我们已经在夜间数据集中达到了更好的结果。

May, 2020

本研究提出了一种基于领域自适应网络(DANNet)的夜晚语义分割方法，使用已标注的白天图像和包含粗略对齐的昼夜图像对的未标注数据集进行对抗训练。在未标注的昼夜图像对中，该方法利用白天图像上的像素级别样本来对其夜晚图像进行分割，通过重新加权策略处理由昼夜图像对之间的对齐问题和白天图像错误预测问题以及增强小目标预测准确率等精度问题。该方法在Dark Zurich和夜间行车数据集上取得了最先进的夜间语义分割成果。

Apr, 2021

本文提出了夜间场景语义分割方案NightLab，包含多个深度学习模型，实现了针对夜间图片的自适应处理，获得了State-of-The-Art的性能表现。

Apr, 2022

夜间RGB-T语义分割中，我们提出了第一种测试时适应(Night-TTA)框架，以解决两个关键问题：1）RGB图像的白天和夜晚差距大于热像图，2）夜间RGB图像的类别性能未必总是高于或低于热像图。通过Imaging Heterogeneity Refinement (IHR)和Class Aware Refinement (CAR)技术，以及特定的学习方案，我们的方法在mIoU上取得了13.07%的显著提升。

Jul, 2023

在夜间场景下，该研究提出一种新的语义分割方法，即解耦分析(DTP)，通过显式解耦夜间图像的反射和光照成分，然后基于自适应融合识别语义，实验结果表明DTP在夜间语义分割任务中显著优于现有方法，并且可以直接用于改进现有的白天方法进行夜间分割。

Jul, 2023

这篇论文提出了一种新的无监督领域自适应方法，通过精细调整标签和特征层，用于夜间语义分割中的动态和小物体，通过对特征和原型进行对比学习以减少领域间差异，并在四个基准数据集上进行了广泛实验，取得了较大的性能优势。

Oct, 2023

本文针对现有夜间图像语义分割方法从白天角度解析带来的问题，提出了一种新颖的端到端优化方法NightFormer。通过像素级纹理增强模块和物体级可靠匹配模块，该方法在低光环境中实现了精确的匹配，实验证明其在多个挑战性基准数据集上优于现有技术。

Aug, 2024