ICCVJul, 2023

分离再解析：通过光照分离的夜间语义分割

PDF
TL;DR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。
night-time semantic segmentationdisentangle then parsesemantic-oriented disentanglementillumination-aware parserstate-of-the-art methods
发现论文，激发创造
  • 夜间监控的解耦对比图像转换

    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。

    Jul, 2023

  • 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

  • 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

  • DANNet: 一种单阶段领域适应网络用于无监督夜间语义分割

    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

  • 使用大型真实数据集进行夜景场景解析

    本文介绍解决夜景拍摄照片在场景分析中的问题，通过建立一个含有地面真实像素级语义注释的数据集，使用曝光感知的方法能够显著提高夜景场景分析的性能，超越了现有方法的表现。

    Mar, 2020

  • 夜间 彩色 - 热度 语义分割的 测试时 适应性

    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

  • HeatNet: 利用热成像技术缩小昼夜间语义分割差距

    本文提出了一种多模态语义分割模型，可以适用于日间和夜间场景，通过引入热成像技术和 RGB 照片，利用现有白天 RGB 数据集实现对夜间图像的学习，并提出了一个新的域对齐训练方法，在自动驾驶方面获得了最新的夜间语义分割结果。

    Mar, 2020

  • NightLab: 夜晚分割的双层硬度检测架构

    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

  • PIG：夜间场景分割的提示图像引导

    通过利用 Prompt Images Guidance（PIG）来增强无监督领域自适应（UDA）的方法，本文提出了一种夜间场景解析（night-time scene parsing）的 Night-Focused Network（NFNet）以及两种数据增强策略（Prompt Mixture Strategy 和 Alternate Mask Strategy）来减轻 NFNet 对少数样本的过拟合，通过在四个夜间数据集上进行广泛实验，结果表明利用 PIG 可以提高 UDA 的解析精度。

    Jun, 2024

  • 改进基于全景的夜间或低光城市驾驶场景分割

    该论文提出了一种基于域转换方法的实用且高效的新型 Panoptic Segmentation 技术，以提高自动驾驶系统在夜间或光照不良环境下的性能和鲁棒性。

    Jun, 2023