May, 2024

KPNDepth: 复杂雨天环境下车道图像的深度估计

PDF
TL;DR本文研究复杂的雨天环境下的车道深度估计，在深度神经网络生成模型的基础上，通过卷积核预测的概念，提出了一个经过离线训练的双层像素级卷积核预测网络。同时，考虑到当前缺乏真实的雨天车道数据，引入了一个图像合成算法，RCFLane，用于综合考虑降雨和局部雾效所引起的环境变暗。通过在常用深度估计数据集 KITTI 上创建包含 820 个实验图像的合成数据集 RainKITTI，广泛实验证明了我们提出的深度估计框架在高度复杂的车道雨天环境中取得了良好的结果。
发现论文，激发创造
  • EfficientDeRain: 学习像素级扩张滤波以实现高效单张图像去雨

    本文为了填补现有方法在处理不同场景下的雨滴降噪时缺乏普适性和效率的困境，提出了一种基于像素扩张滤波的实时、无需对雨滴模型作出特定假设的降噪方法 EfficientDeRain，并提出了有效的数据增强方法 RainMix 以增加对真实世界图像的适应性。

    Sep, 2020

  • 清空天空：针对单幅图像雨水去除的深度网络架构

    该研究介绍了一种名为 DerainNet 的基于深度卷积神经网络的图像去雨筋方法，并使用合成数据进行训练，提高了真实数据上的去雨效果，并在计算时间方面得到了显著提高。

    Sep, 2016

  • 单幅图像深度联合雨滴检测与去除

    本文提出了一种基于深度学习架构，通过新的雨画像模型解决单幅图像中存在大雨和雨斑累积的雨滴去除问题，并通过使用二进制雨斑图和重复的雨检测实现更好的效果。

    Sep, 2016

  • 在线更新的高阶协作网络用于单图像去雨

    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

  • 基于对比学习的递归动态多尺度网络用于图像去雨

    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

  • 深度多传感器车道检测

    提出了一种结合 LiDAR 和相机传感器的深度神经网络，可以在 3D 空间中直接估计车道边界，在高速公路和城市道路等复杂情境下取得了很高准确度，解决了自动驾驶中车道检测精度不足的问题。

    May, 2019

  • 单图深度联合去雨霾技术

    本研究提出了一种基于小波和暗通道的新型卷积神经网络，可以更好地分离出雨滴和背景，通过暗通道作为特征图，间接实现了雾霾的去除。实验结果表明，该方法在模拟和实际数据集上均优于其他现有技术。

    Jan, 2018

  • 从单张图像中预测多层深度：揭示物体背后的景深信息

    该论文提出了一种基于卷积神经网络的方法，通过预测包含被前景遮挡区域信息的分层深度图像和前景分离掩模来合成场景和填补遮挡的空白，用于虚拟现实和减弱现实领域的单幅图像的新视点合成。

    Jul, 2018

  • 基于众包的深度卷积神经网络用于城市洪水深度制图

    本研究使用深度卷积网络分析水淹交通标志的众包图片，确定洪水深度，实现低成本、准确和实时洪水风险地图制作。测试表明，该模型的平均绝对误差为 6.978 英寸，与先前研究相当，从而证明了该方法的适用性。

    Sep, 2022

  • 一种基于模型驱动的深度神经网络用于单图像雨水去除

    本文介绍了一种基于模型的深度神经网络，使用具有解释性和恰当的物理结构的数据结构，以实现单图像去雨任务的最先进性能，并通过端对端培训，自动提取所有雨滴核和接近算子，特别是在实际情况下具有更好的去雨性能。

    May, 2020