本文介绍了一种用于分析语义分割模型稳健性的新方法，并提供了一些指标以评估在各种环境条件下的分类性能。该过程还结合了另一种传感器（lidar）以自动化处理过程，消除了验证数据的手工标注需求。实验结果表明，语义分割模型的性能因天气、相机参数、阴影等因素而异，并演示了如何在改进模型后比较和验证各种网络的性能。

Oct, 2018

为了提高自主感知的对抗鲁棒性，我们介绍了一个由视觉语言生成模型生成的合成数据集WEDGE（WEather Images by DALL-E GEneration），该数据集包含16种极端天气条件下的3360张图像，支持天气分类和2D物体检测的研究。通过WEDGE，我们建立了基线性能，分类和检测的准确率分别达到了53.87％和45.41 mAP，并且WEDGE能够用于调节先进的检测器，如卡车类，使SOTA性能在现实天气基准测试（例如DAWN）方面提高4.48个AP。

May, 2023

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

我们提出了一种用于多种恶劣天气条件下的语义分割的方法，它结合了自适应知识获取、伪标签混合和天气组合回放，能够在增强模型适应性和鲁棒性的同时避免遗忘和不断改进先前学习的天气信息，实现了比现有方法更好的性能。

Jan, 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

提出了一种名为UniMix的通用方法，通过有效减小领域差异，使LSS模型能够学习天气稳健和领域不变的表示，实现自动驾驶中对不同天气条件下的全面适应性。

Apr, 2024

通过对逆境天气影响因素的详细分析，本文提出了新的数据增强技术来改善LiDAR语义分割模型的性能，在对抗恶劣天气条件下取得了显著的改进。

Jul, 2024

本研究解决了高自治车辆在恶劣天气和光照条件下的感知算法性能下降问题。我们提出A-BDD数据集，包含超过60,000个合成增强图像，并引入了新策略，利用图像质量的特征指标识别有用的数据，从而显著提高自动驾驶系统在不利环境中的有效性。

Aug, 2024

本研究解决了自主系统感知模型在复杂环境中的弱点问题，采用定制的基于物理的增强方法生成逼真的训练数据来提升模型的鲁棒性和表现。实验结果显示，优化的训练策略能显著提高模型性能，强调了在真实世界应用中增强模型对边缘案例的适应能力的重要性。

Aug, 2024

本研究解决了恶劣天气和低光条件对自动驾驶感知系统造成的图像质量下降问题，现有方法效果有限且多聚焦于单一条件。我们提出的全天气网络采用新颖的层级架构和可扩展的照明感知注意力机制，提升了图像质量，使得自动驾驶的语义分割性能提高了最高5.3%。此外，该模型在未知领域的推广能力表现出色，提升了最高3.9%的mIoU。

Sep, 2024