本文提出了一种新方法来解决道路感知系统中数据不足的问题，即使用增强现实和生成对抗网络来创建合成训练数据集，从而训练鲁棒性较高、适应性更强的道路感知检测器。在两个路口的实验中，我们的实验表明，使用合成数据仅仅作为训练集的检测器可以在所有条件下获得良好的性能，并且在恶劣的条件下，使用标记数据训练的已有检测器的性能可以通过合成数据得到提升。

Jun, 2023

通过构建一个基于生成对抗网络的多层级雨图生成模型，实现了在各种天气条件下测试视觉感知算法性能所需的数据生成，该模型能够生成不同强度的轻雨、中雨和大雨图像，并经过优化和调整来改善模式崩溃问题，相比于两个基准模型，测试数据集上 RCCycleGAN 的峰值信噪比 (PSNR) 提高了 2.58 dB 和 0.74 dB，结构相似性指数 (SSIM) 分别提高了 18% 和 8%，并进行了消融实验以验证模型调优的有效性。

Sep, 2023

本文探讨了自动驾驶中如何应对由光学传感器收集的噪声数据对自主决策产生的影响，并提出了一种用生成对抗网络产生虚拟雨天图像并训练降雨去噪模型的方法，但该方法还需进一步改进。

May, 2023

本研究提出了一种使用 Swin-transformer 模型实现去雨任务的基本模块改进方法，并设计了一个三分支模型，并提出了一个新的数据集 Rain3000 来验证模型的性能和效果，实验结果表明，该方法在公开数据集 Rain100L，Rain100H 和 Rain3000 上具有先进的性能和较快的推理速度。

May, 2021

为了实现自主驾驶高安全性要求下的鲁棒性，本文提出了一种新数据集的收集方法，覆盖多种天气、交通和场景，包含图像和点云数据以及高精度 GPS/INS 数据，并在此基础上分析了自动驾驶的三个关键问题的性能表现。

Aug, 2022

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

本文提出了一种高阶协同网络，其中包括多尺度紧凑约束和双向尺度内容相似度挖掘模块，有助于实现去雨滴效果的提高，并通过自我监督学习方法来提高模型性能。

Feb, 2022

通过使用 CycleGAN 合成多个天气条件下的数据集，我们在自主赛车中将最先进的四个探测器的性能平均提高了 42.7 和 4.4 mAP 百分点，并进行了五种目标探测器的比较分析，以确定在挑战性条件下自主赛车中使用最佳探测器和训练数据。

Jan, 2022

本文提出了一个基于对比学习的图像去雨方法，使用递归动态多尺度网络来提高降雨性能，实现了优秀的效果并超越了现有方法，并且该方法在客观检测和语义分割方面也表现出了很好的性能。

May, 2023

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。

Apr, 2021