Feb, 2024

NiteDR: 跨视传感器协作学习的动态驾驶场景夜间图像去雨

PDF
TL;DR针对夜间行驶场景中受雨水降解影响、图像质量和能见度下降的问题，我们开发了一个夜间行驶场景下的图像去雨框架，通过可见光和红外图像的跨视图融合，去除雨痕、丰富场景表征并恢复有用信息，实验证明了我们提出的跨视图合作学习方法在低光强雨水环境下具有较好效果，并弥补了现有去雨算法在特定低光条件下的利用缺口。
image de-rainingnighttime driving scenescooperative learningcross-view cooperative learning (cvcl)rain removal algorithms
发现论文，激发创造
  • 激光照亮黑暗：通过相机与雷达融合技术提升自动驾驶车辆低能见度感知

    本篇论文提出了一种基于变形金刚网络的 3D 物体检测模型 REDFormer，该模型通过使用鸟瞰相机和雷达融合，解决低能见度条件下自动驾驶系统的感知问题，并且在多雷达点云数据、多种天气和时间数据的 nuScenes 数据集上进行验证，相比其他最先进模型，该模型在低能见度情况下表现出更高的检测精度。

    May, 2023

  • 通过成对降级特征向量引导解锁低照度雨天图像恢复

    本文介绍 $L^{2} RIRNet$ 神经网络，旨在实现同时处理低光和降雨的任务，此外还提出了两个有效工具 —— 快速傅里叶 - ResNet 的细节引导模块和低光 - 雨图像合成与真实数据集。

    May, 2023

  • MvKSR: 多视角知识引导的雾霾和降雨场景修复

    提出了一种新颖的多视角知识引导场景恢复网络 (MvKSR)，用于在恶劣的天气条件下恢复退化图像。通过引导滤波和多视角特征融合模块，MvKSR 能够高效稳定地还原智能成像系统中恶劣场景下的退化图像。

    Jan, 2024

  • NightRain：夜间视频除雨基于自适应除虹和自适应校正

    该研究介绍了 NightRain，一种新颖的夜间视频去雨方法，使用自适应去雨和自适应校正来处理复杂的光效影响，通过使用无标签雨天视频进行训练，达到了超越现有方法的卓越性能，PSNR 值为 26.73dB，超过了其他方法 13.7% 的幅度。

    Jan, 2024

  • 基于语义先验的并行立体去雨网络：超越单目去雨

    本文提出了一种 Paired Rain Removal 网络（PRRNet），它在去除降雨图像上利用了语义信息和立体影像，并展示了其在单 ocular 和构建的立体降雨数据集上优于其他算法的性能。

    May, 2021

  • 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

  • RainyScape: 无监督下的湿天气场景重建，利用解耦的神经渲染

    RainyScape 是一个无监督的框架，能够从多角度的雨天图像集合中重建干净的场景。该框架包含两个主要模块：神经渲染模块和雨预测模块，通过学习可捕捉场景雨水特征的预测网络和可学习的潜在嵌入，在优化神经渲染管道以获得低频场景表示后，使用自适应的方向敏感梯度重建损失来联合优化这两个模块，从而消除雨水痕迹并生成干净的图像，实验表明该方法在消除雨水痕迹和渲染干净图像方面具有卓越表现，达到了最先进的水平。

    Apr, 2024

  • 晴转暴雨：跨天气知识蒸馏实现鲁棒 3D 目标检测

    本文提出了一种新颖的雨水模拟方法 DRET，将动力学与雨天环境理论相结合，以提供一种经济高效的方法来扩展用于 3D 检测训练的现实雨水数据。此外，本文还提出了一种从晴天到雨天的知识蒸馏方法（SRKD），以增强在雨天条件下的 3D 检测能力。大规模数据集 WaymoOpenDataset 上的广泛实验表明，将我们提出的框架与最先进的 DSVT 模型和其他经典 3D 检测器相结合，可以显著改善检测准确性，同时不会损失效率。值得注意的是，我们的框架还能提高在晴天条件下的检测能力，因此无论天气是雨天还是晴天，都提供了一种强大的 3D 检测解决方案。

    Feb, 2024

  • 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

  • DCSFN：用于单幅图像去雨的深度跨尺度融合网络

    本文提出了一种基于多子网络和跨尺度融合的图像降雨去除方法，使用 Gate Recurrent Unit 对这些子网络进行跨尺度融合，并设计了一种内部尺度连接块，通过不同尺度之间的特征融合来提高雨的表示能力，实验结果表明，与现有方法相比，该方法具有优越性能。

    Aug, 2020