我们提出了一种从在恶劣天气条件下拍摄的图像中推断语义分割地图的方法，通过利用语言作为指导，在不同的气候效应对图像的影响下，模型在 WeatherProof 和 ACDC 数据集上表现出了更好的性能。

Mar, 2024

通过解决样式差异和天气差异两个方面的问题，本文提出了一种针对目标检测的无监督领域适应框架，能够更有效地适应恶劣天气条件下的真实环境，并在恶劣天气条件下的目标检测方面优于其他方法。

Sep, 2023

我们团队利用两阶段深度学习框架，在恶劣天气条件下的语义分割任务中通过预处理数据、生成高保真度地面真值，以及应用 InternImage 网络等方法，成功获得了 0.43 的平均交并比（mIoU）竞赛得分，在竞赛中获得了第四名的可观成绩。

Jun, 2024

ControlUDA 是一个针对恶劣天气条件下的 UDA 分割问题的扩散辅助框架，通过整合来自预训练分割器的目标先验信息来调整扩散模型，并且包含了一个多尺度和增强提示的条件融合网络，用于在恶劣天气中生成高保真度的数据。使用我们生成的数据进行 UDA 训练，将在 Cityscapes-to-ACDC 恶劣天气基准测试上实现了 72.0 mIoU 的里程碑式模型性能，并且对于未见数据获得了良好的模型泛化能力。

Feb, 2024

使用通用的配对训练方法，改进了大型计算机视觉模型在恶劣气候下的语义分割性能，并创建了 WeatherProof 数据集，提供了准确的恶劣气候和晴朗天气的图像对，进一步改善了分割性能的评估，并通过一种采用一致性损失和语言引导的训练流程，使性能提高了 18.4%。

Dec, 2023

该论文提出了一种标签效率的方法，通过使用少量已标记示例来学习从非常少量标记的点云中分割恶劣天气的点，并利用半监督学习方法生成伪标签，从而显著增加训练数据量，同时还在训练过程中整合了好的天气数据，从而在良好和恶劣天气条件下均能取得高性能。在真实和合成数据集上的结果显示，我们的方法在检测雪、雾和水雾方面表现良好。此外，我们在使用的标记数据只有一小部分的情况下，实现了与完全监督方法相竞争的性能。

Jun, 2024

提出了一种名为 UniMix 的通用方法，通过有效减小领域差异，使 LSS 模型能够学习天气稳健和领域不变的表示，实现自动驾驶中对不同天气条件下的全面适应性。

Apr, 2024

该研究提出了一种基于 APAT 和自我培训的条件引导适应框架，能够有效地推理出目标域中的多模态特征，从而提高语义分割模型在天气等异构子域中的鲁棒性。各种实验结果表明，该方法（DCAA）在目标域的天气变化等复杂情景下，相比基线和现有方法有着显著的优越之处。

Dec, 2020

通过介绍一个适用于各种恶劣天气条件的点云数据集 SemanticSTF，我们研究了在两种情况下的全天候 3D 语义分割模型的建模：1）从正常天气数据自适应到恶劣天气数据的领域适应性 3DSS; 2）从正常天气数据学习全天候 3DSS 模型的领域通用性 3DSS，我们设计了领域随机化技术，交替随机化点云的几何样式和聚合它们的嵌入，最终导致一个可改善各种恶劣天气下 3DSS 的通用模型。

Apr, 2023

本文研究利用生成对抗网络减少领域适应在空中图像语义分割中的影响，并在实验中测试表明，在 Potsdam 领域（源领域）到 Vaihingen 领域（目标领域）的转变中，该方法将整体准确性从 35% 提高到 52%。

May, 2019