夜间监控的解耦对比图像转换

Jul, 2023

Disentangled Contrastive Image Translation for Nighttime Surveillance

Guanzhou Lan, Bin Zhao, Xuelong Li

TL;DR本文提出了一种名为 DiCo 学习方法的算法，通过可学习的物理先验即颜色不变性和利用对比学习将监控场景分为前景和背景，从而实现了对夜间监控场景进行高保真度翻译，同时也贡献了一个名为 NightSuR 的监控数据集。

Abstract

nighttime surveillance suffers from degradation due to poor illumination and arduous human annotations. It is challengable and remains a security risk at night. Existing methods rely on multi-spectral images to perceive objects in the dark, which are troubled by low resolution and colo

nighttime surveillance night-to-day translation dico learning method color invariant surveillance dataset

发现论文，激发创造

基于检索的定位的昼夜图像翻译

本文使用 ToDayGAN 模型转换驾驶图片的夜间场景为更有用的白天场景，并且通过将当前最接近的白天场景的 6-DOF 位置用于夜间场景的姿态估计，将其用于两次遍历相同区域的图像的精确定位，其性能比最新的标准指标表现提高了超过 250%。

Sep, 2018

基于反馈的目标外观学习的夜间热红外图像上色

通过使用生成对抗网络和反馈式目标外观学习（FoalGAN）方法，我们提出了改善夜晚热红外图像到日间彩色图像的转换性能的方法，包括对小目标类别的出色转换表现，通过引入一个小目标外观损失并采用双重反馈学习策略，进一步提高小对象的外观学习能力，并通过提供像素级注释的数据集来促进对多种气候条件下的热红外图像的理解研究，实验证明 FoalGAN 在小目标的外观学习方面表现出色，并在 NTIR2DC 任务中在语义保持和边缘连续性方面优于其他图像转换方法。

Oct, 2023

分离再解析：通过光照分离的夜间语义分割

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

夜晚更清晰：通过昼夜图像转换实现强健的夜间语义分割

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

暗模型适应：从白天到黑夜的语义图像分割

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

跨域相关性蒸馏：用于夜晚语义分割的无监督域自适应

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

IR2VI：无监督热成像转换增强夜间环境感应

本文提出了一种基于生成对抗网络的红外 - 可见光图像翻译算法 IR2VI，利用其结构连接模块和 ROI 聚焦损失方法，将可见光和红外图像的特征相互整合，以达到提高夜视效果的目的，并通过实验表明 IR2VI 算法超越了基准方法的优越性。

Jun, 2018

利用持续对比学习在黑暗中观测物体

该研究论文探讨了在智能相机系统中，如何利用合成图像进行对不同成像条件下目标检测的训练，提出了一种对比学习的方法，并使用持续学习的惩罚机制缓解了重要信息丢失的问题，该方法在夜间目标检测方面表现出色。

Dec, 2021

基于对比增强和降噪的生物启发夜间图像增强

本文提出了一种基于生物启发的图像增强算法，能够大大提高低光照图像的亮度和对比度，同时抑制噪声，并在实验和仿真实验中证明了该算法的优越性。

Jul, 2023

Deep CG2Real: 通过图像分解进行合成到真实图像的转换

提出一种利用半监督方法，在图像的着色和反照率层上操作，训练半监督网络用于图片合成，该方法可以有效提高 OpenGL 渲染等低质量合成图像的视觉逼真度。该方法通过两个阶段的管道来实现，即首先以物理学渲染为目标以有监督的方式预测准确的着色，然后再采用改进的 CycleGAN 网络进一步提高纹理和着色的逼真度。在 SUNCG 室内场景数据集上进行的广泛评估表明，与其他最先进的方法相比，我们的方法可以产生更逼真的图像。此外，我们所生成的 “真实” 图像训练出的网络比领域适应方法预测出更精确的深度和法线，这表明提高图像的视觉逼真度可以比强加任务特定的损失效果更良好。

Mar, 2020