ICCVApr, 2021

RaidaR: 一个富有注释的下雨街景图像数据集

PDF
TL;DR本研究介绍了 RaidaR 一个富注释的雨天驾驶场景图像数据集，包含最大数量的雨天图片，同时提供语义分割和物体实例分割等注释，用于提高数据驱动的机器感知能力，并展示数据增强与分割算法中的实用性。同时提出了一种可节省注释时间的半自动化方案，并通过新颖的图像转换算法，实现了图像雨雾等不良元素的添加与消除。
autonomous drivingimage datasetrainy scenesdata augmentationsegmentation algorithms
发现论文，激发创造
  • 具有空间注意力机制的高清真实雨数据集单图像去雨方法

    本研究提出一个半自动的方法来生成高质量的干净图像，并构建了一个大规模的数据集，以更好地模拟现实情况下的雨条带效应。新的 SPatial Attentive Network（SPANet）以本地到全局的方式移除雨条带，并取得了与现有去雨技术相当的优异性能。

    Apr, 2019

  • RainSD: 利用特征级别的风格分布来增强图像合成的雨风格多样化模块

    生成的合成道路数据集含有传感器阻塞，通过深度神经网络进行多任务网络评估和性能退化分析，为自动驾驶提供安全解决方案和深度学习算法的限制和未来发展方向。

    Dec, 2023

  • GT-Rain 单图像去雨挑战报告

    这篇报告回顾了 CVPR 2023 UG2+ 研讨会上单张图像去雨 GT-Rain 挑战的结果，目标是研究真实场景中的雨天现象，提供一个新颖的真实世界雨景图像数据集，并激发创新思路，推动单张图像去雨方法在真实图像上的发展。

    Mar, 2024

  • 从天空到地面：一个大规模基准和简单基线方法用于真实雨滴去除

    为了克服缺乏大规模高质量配对训练样本对真实图像除雨（RID）过程的阻碍，本研究构建了包含 3000 个视频序列和 100 万帧高分辨率（1920*1080）图像配对数据的大规模高质量真实雨数据集（LHP-Rain）。该数据集的优势有三个方面：具有更高多样性和更大规模的雨，高分辨率和高质量的合成图像。此外，研究提出了一种新颖的鲁棒低秩张量恢复模型用于生成更好地分离静态背景和动态雨的基准数据，并设计了基于 Transformer 的简单单幅图像除雨算法，通过自注意力和跨层注意力实现图像和雨层的辨别特征表示。大量实验证明了所提出数据集和除雨方法在最新研究中的优越性。

    Aug, 2023

  • 清晰见天空：基于去雨的图像修复

    本研究提出了一种改进在有附着雨滴和条纹影响的图像分割任务的方法，通过引入新颖的立体数据集并以此进行噪声降低生成器的训练，最终有效去除真实的水滴所产生的影响，并在道路标记分割和语义分割等任务中展现出显著的提高。

    Jan, 2019

  • 适用于恶劣天气中汽车感知的雷达数据集

    本文介绍了一种名为 RADIATE 的公开数据集，使用雷达传感器获取高分辨率的公共道路数据图像，以进行安全自动驾驶的物体检测，跟踪和场景理解的研究。该数据集是第一个在恶劣天气条件下提供公共道路高分辨率雷达图像的数据集，包含超过 200,000 个标记的道路演员。

    Oct, 2020

  • UAV-Rain1k：无人机航拍图像雨滴去除基准

    使用 Blender 模拟雨滴形状，收集不同无人机角度的背景图像，随机采样雨滴遮罩等构建了一个新的用于去除无人机图像中雨滴的基准数据集 UAV-Rain1k，并在此基准数据集上全面评估了现有的代表性图像去雨算法，并公布了值得进一步研究的未来研究机会。

    Feb, 2024

  • 潜在的自动驾驶威胁：通用去雨攻击

    本文提出了一种通用降雨攻击方法（URA），该方法通过生成一种非加性的空间扰动，显著降低了场景修复的相似度和图像生成质量，从而针对图像去雨算法的漏洞展开攻击，并证明 URA 方法可对现有单图像去雨算法减少场景修复能力和图像生成质量，从而得出了一种图像去雨算法的漏洞检测工具。

    Nov, 2022

  • 使用通用监控摄像头检测降雨

    通过使用监视摄像头，设计了一个系统来检测降雨。使用 3D 卷积的现代 CNN 方法与先前的最新方法进行比较，结果表明，选择感兴趣区域对性能有很大的影响，并且该提议的 3D CNN 在所有指标上都表现出比以前的最新方法更好的表现。

    Aug, 2019

  • IDD-AW：用于在无结构交通和恶劣天气中进行安全稳健分割的基准

    大规模部署的全自动驾驶车辆需要非常高的稳健性来应对复杂的交通和恶劣天气条件，并且应该避免不安全的错误预测。本研究介绍了 IDD-AW 数据集，它提供了 5000 对高质量图像和像素级注释，这些图像是在雨天、雾天、低光和雪天等复杂驾驶条件下捕获的。相比其他恶劣天气数据集，我们提供了更多的标注图像、每一帧的配对近红外（NIR）图像和更大的标签集，以捕捉复杂的交通条件。我们在 IDD-AW 数据集上对语义分割的最新模型进行了基准测试，并提出了一种称为 “Safe mean Intersection over Union（Safe mIoU）” 的新度量标准，用于惩罚传统定义中没有捕捉到的危险误判，结果表明 IDD-AW 是迄今为止这些任务中最具挑战性的数据集。数据集和代码可点击此链接获取。

    Nov, 2023