我们提出了适应恶劣天气条件下的语义分割解决方案，该解决方案通过与大规模联合数据集的预训练权重初始化 InternImage-H 骨干网络，并使用最先进的 Upernet 分割方法对其进行增强，利用离线和在线数据增强方法扩展训练集以进一步提高分割器的性能，在测试集上展示出卓越的表现，并在这一挑战赛中获得第三名。

Jun, 2024

本技术报告介绍了 CVPR'24 UG2 WeatherProof 数据集挑战的第二名实现细节，通过引入经过预训练的大规模视觉基础模型 InternImage，并使用具有不同噪声级别的图像进行训练，我们解决了图像天气退化语义分割问题，最终测试过程中使用 dense-CRF 作为后处理方式，结果以 45.1 mIOU 取得了第二名的成绩，且提交次数较其他获胜者少。

Jun, 2024

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

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

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

本文提出了一种方法，使用计算机图形和生成模型相结合，通过扩充现有的晴天数据以模拟恶劣天气状况，将增广用于无监督深度估计，进而引入伪监督损失来解决降低性能的问题。

Jul, 2023

本文介绍了通过使用基于 transformer 的算法来解决 NeurIPS 2022 中的 Weather4cast 挑战，预测在接下来的 8 小时内的降雨事件，并通过将不同的 transformer 和基线模型进行集合，获得了最好的性能。

Dec, 2022

利用半监督学习和预训练的分割基础模型构建一个新的框架，以优化在雨季场景下进行的语义分割，利用熵锚点来指导预训练模型进行知识补全，并通过最小化风险的方式优化原始的语义分割结果，该框架在 Rainy WCity 数据集上实现了卓越的分割性能，获得了 ICME 2023 Grand Challenges 中 STRAIN 子赛道的第一名。

May, 2023

针对建筑工地的多样挑战，介绍了一个新的语义分割数据集，以增强目标检测模型在不同的天气和环境条件下的训练和评估，从而促进其在实际建筑应用中的适应能力和可靠性。

Dec, 2023

本文介绍了我们团队在 CVPR 2023 UG$^{2}$+ Track 3 GT-Rain Challenge 中的解决方案，提出了一种高效的两阶段框架，利用低秩视频去雨方法生成伪 GT，再加以改进，使用大规模真实雨数据集进行预训练并在伪 GT 上进行微调，最终采用全面的图像处理器模块，我们的整体框架设计精心并能够处理在测试阶段提供的重雨和雾气序列。在平均结构相似性 (SSIM) 上获得第一名，在平均峰值信噪比 (PSNR) 上获得第二名。

May, 2023