Mar, 2024

SynFog：基于端到端成像模拟的逼真合成雾数据集，用于提升自动驾驶中的真实环境除雾技术

HTML
PDF
TL;DR通过综合考虑整个基于物理的雾景图像处理过程，本研究提出了一种端到端模拟流程，可以生成逼真的雾霾图像。通过该流程，我们创建了一个名为SynFog的新的人工合成雾霾数据集，包括天空光和主动照明条件，并提供三个不同浓度的雾霾。实验结果表明，在应用于现实中的雾霾图像时，基于SynFog训练的模型在视觉感知和检测准确性方面表现优异。
发现论文，激发创造
  • 雾霾能见度增强：调查与定量基准

    本文对处理模糊图像的能见度增强方法进行了全面的调查，提供了一个基于定量评估的排名以比较现有方法的结果，并为各种方法的优缺点提供了更好的认识。

    Jul, 2016

  • 使用合成数据进行语义模糊场景理解

    本研究针对语义模糊场景理解进行了探索，使用人工合成的雾霾场景数据，并结合卷积神经网络进行了超像素级别的图像分割和对象检测，结果表明，该方法在实际应用中具有较高的实用价值。

    Aug, 2017

  • 基于合成和真实数据的模型适应性用于语义密集雾天场景理解

    本文提出了一种新方法，名为Curriculum Model Adaptation（CMAda），该方法逐步从轻度合成雾到多步中的密集真实雾中，使用合成和真实雾数据将语义分割模型适应于真实的雾天情况。四个主要贡献：1）一种通过语义输入向真实的晴天场景添加合成雾的新方法；2）一种新的雾密度估计器；3）Foggy Zurich数据集，由3808个真实雾天图像组成16个具有密集雾级别的像素级语义注释。我们的实验表明，我们的雾模拟在语义雾气场景理解（SFSU）任务方面略优于最先进的相对竞争模拟；CMAda通过利用未标记的真实雾天数据显著提高了SFSU的最先进模型的性能。数据集和代码公开。

    Aug, 2018

  • 基于合成和真实数据的课程模型自适应用于语义模糊场景理解

    提出一种名为CMAda的方法，它可以逐步地将语义分割模型从轻度合成雾适应到多个步骤中的浓雾，从而解决了在不良天气下对物体场景的语义识别问题，并可以将其扩展到其他恶劣条件中。

    Jan, 2019

  • 基于增强循环一致性对抗网络的端到端单图像去雾

    本研究提出了一种基于CycleGAN网络的端到端学习系统，借助对抗鉴别器和循环一致性损失来自动构建一个除雾系统，并且为此贡献了第一个真实世界的自然雾与雾不含的图像数据集。实验结果表明我们的方法可以有效地从雾图像中恢复出明亮的图像。

    Feb, 2019

  • 使用完全合成数据进行雾天场景的语义理解

    本文提出了一种使用全新的纯合成数据进行实时雾天交通场景视觉分割的方法，并展示了其在真实数据上的适用性和与以往方法的对比优势。

    Oct, 2019

  • ZeroScatter: 透过散射介质进行长距离成像与视觉的域转移

    本文介绍了一种利用综合方法实现数据域转换的深度学习算法ZeroScatter，并将其应用到解决在恶劣天气下自动驾驶过程中存在的缺陷，结果表明ZeroScatter优于现有的单目去雾方法。

    Feb, 2021

  • 在恶劣天气条件下，利用真实的LiDAR点云进行雾模拟以进行三维物体检测

    本研究采用真实数据模拟雾天环境，提出一种适用于任何LiDAR数据集的物理真实雾模拟方法。实验结果表明，我们的方法可以明显提高雾天环境下的3D目标检测性能，并为通过现有真实数据集提供了强有力的检测结果。

    Aug, 2021

  • ScatterNeRF：基于物理反演神经渲染实现透过迷雾

    介绍了ScatterNeRF，这是一种神经渲染方法，可以充分呈现有雾情况下的场景并分解没有雾的背景，并在没有大量训练数据的情况下进行优化，从而对复杂的天气条件进行处理以供自动驾驶汽车、机器人和无人机等应用程序使用。

    May, 2023

  • STEREOFOG -- 基于实际数据集的图像转换去雾

    图像到图像转换是机器学习的一个子类型，具有在存在两个图片域之间需要转换的应用中具有巨大潜力，例如去除雾霾。本文介绍了STEREOFOG数据集，该数据集包含$10,067$对模糊和清晰图片，通过自建设备进行拍摄，目的在于探索此领域中图像到图像转换的潜力。我们应用并优化了pix2pix图像到图像转换的机器学习框架于该数据集，最终模型达到平均复杂小波结构相似度（CW-SSIM）得分为0.76，证明该技术对于该问题是适用的。

    Dec, 2023