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

基于概率模型的图像修复算法，通过引导去噪过程来实现任意尺寸的图像修复。该算法在图像去雪、去雨和去雾等数据集上表现出了领先的性能，并且在实际测试图像方面具有很强的泛化性能。

Jul, 2022

通过考虑短期气象变化和长期气候变化对作物的影响，基于多模态时空视觉变换器（MMST-ViT）开发了一个基于深度学习的解决方案，用于预测美国各县的作物产量，并展示其在三个性能指标上优于同类产品。

Sep, 2023

我们在视频中引入了测试时适应性，并提出了首个将测试时适应性整合到迭代扩散反转过程中的框架，在训练阶段，我们设计了一个基于扩散的网络和一种新颖的时间噪声模型，以高效地探索退化视频剪辑中的帧相关信息，在推理阶段，我们引入了一个名为扩散管道自校准的代理任务，学习测试视频流的引物分布，并通过近似时间噪声模型进行在线适应，实验结果表明，我们的测试时适应性方法与基于扩散的网络（Diff-TTA）在恢复受到已知天气条件影响的视频方面优于最先进的方法，其在合成和实际世界视频中对未知天气条件的普适能力也得到了验证。

Mar, 2024

使用基于轨迹图像的深度学习方法预测航空器降落时间，实验结果表明通过集成保持特征提取方法，平均绝对误差（MAE）可以从 82.23 秒降低到 43.96 秒，同时达到 96.1％的平均准确率，其中 79.4％的预测误差小于 60 秒。

Jan, 2024

利用多域融合技术，结合深度学习和天气遥感数据检测农作物疾病的新方法取得了 97% 的准确率，该方法由三个 Transformer 组成，通过结合图像与天气数据信息达到多模态融合，解决了数据融合问题。

Sep, 2022

我们引入了一种基于 Transformer 的神经网络，从地球同步卫星影像生成高分辨率（3km）的合成雷达反射率场，旨在提高高影响天气事件的短期对流尺度预报能力，并在美国数值天气预报的数据同化中提供帮助。与卷积方法相比，我们的结果显示出对各种复合反射率阈值的改善锐度和更高准确性。通过额外的特定大气现象案例研究支持我们的定量研究结果，同时引入了一种新颖的归因方法来指导领域专家理解模型的输出。

Jun, 2024

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。

Feb, 2024

实时检测和预测极端天气，通过将其作为一个视觉问答问题重新定义，引入了一种更精确、自动化的解决方案。利用视觉语言模型同时处理视觉和文本数据，我们的研究提供了一种有效的辅助分析气象热图过程的方法。通过介绍气候问答数据集 ClimateIQA 和基于 OpenCV 和 K-Means 聚类的 SPOT 技术，我们的模型集合 Climate-Zoo 在极端天气事件检测中取得了显著的性能提升。该研究中的数据集和模型可供未来的气候科学研究使用。

Jun, 2024

采用强大的视觉语言模型和合成降解管道，通过基于扩散模型和后验采样策略的鲁棒训练，提高图片还原质量并解决特定数据集无法恢复模糊、缩放、噪声和 JPEG 压缩等不同降解方式的问题。

Apr, 2024