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

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

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

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

在城市场景语义分割中，我们提出一种课程学习的方法来尽可能减小真实和合成数据之间的差距。该方法采用先易后难的策略，对全局标签分布和本地超像素标签分布进行先验知识的推断，并在此基础上训练语义分割网络。在两个数据集和两种 Backbone 网络上，我们的方法表现优于基线，并且进行了广泛的实验研究。

Dec, 2018

本论文介绍一种基于课程式学习（curriculum-style learning）的方法，通过学习全局标签分布和局部分布来缓解城市风景语义分割中真实图像和合成数据之间的领域差异，并在两个数据集和两个骨干网络上的实验中表现优异。

Jul, 2017

本研究提出了一项通过交叉域相关性蒸馏的新颖域适应框架，称为 CCDistill，旨在充分利用两个图像之间的不变性，从而弥补夜间图像标签缺乏的不足，并实现了夜间语义分割的最先进性能。

May, 2022

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

提出了一种新颖的无监督跨模态领域自适应（CMDA）框架，利用多模态（图像和事件）信息进行夜间语义分割，仅使用白天图像上的标签，通过设计图像动作提取器和图像内容提取器在图像中提取运动信息和内容信息，以弥合不同模态（图像到事件）和领域（白天到夜晚）之间的差距，并介绍了首个图像 - 事件夜间语义分割数据集，对公众图像数据集和该图像 - 事件数据集进行了广泛实验，证明了我们提出的方法的有效性。

Jul, 2023

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