本文研究了基于传感器融合的三维语义分割技术，提出了混合融合结构以提升分割精度。介绍了多个自动驾驶和遥感数据集，强调了夜间场景的语义分割进展，并提出了新的数据集WildScenes，解决了自然环境下的语义感知问题。此外，提出了联合学习框架S^3M-Net，以增强场景理解能力。

本文提出了一种基于黄昏的夜间场景语义分割方法，利用白天场景训练的模型进行适应。构建了包含3.5万张图像的数据集，实验表明该方法有效，无需额外标注。研究还涉及生成对抗网络和领域自适应网络，提升夜间图像分割性能，取得了先进成果。

本文介绍了夜间场景语义分割方案NightLab，利用深度学习模型实现夜间图像的自适应处理，取得优异性能。研究提出了多模态语义分割模型，结合热成像和RGB图像，改进夜间图像学习，适用于自动驾驶。通过生成对抗网络（GANs）和高分辨率模型，提升了在恶劣条件下的分割准确度。

本文提出了一种新的单目深度估计框架，通过先验正则化和图像增强模块，提高夜间场景的深度估计准确性。利用自我监督学习和生成对抗网络，消除视差差异，在KITTI基准测试中取得领先结果，显著减少绝对误差，提升深度重建性能。

本文提出了一种新的单目深度估计框架，通过引入基于先验的正则化和Mapping-Consistent Image Enhancement module来提高深度图像的配准和可视性。同时，使用基于统计的掩码策略解决夜间场景下的问题。实验结果显示每个部分都有效，并取得了令人瞩目的成果。