本研究提出了一种NTN方法，解决了激光雷达语义分割在恶劣天气下对“事物”类别预测不准确的问题，通过特征绑定和正则化显著提升了准确性和鲁棒性。

该研究提出了Panoptic-CUDAL数据集，专注于雨天的澳大利亚乡村环境，解决了现有自动驾驶数据集对乡村和恶劣天气考虑不足的问题。数据集记录了高分辨率的LiDAR、摄像头和位姿数据，显著提升了全景和语义分割方法在LiDAR点云上的性能。

在蛇年初四，我参加了群跑，经历了恶劣天气，最终感到寒冷和疲惫。跑后聚餐回家后不适，出现发烧和腹泻，怀疑是胰腺炎或食物中毒。经过几天休息，确认是诺如病毒感染，身体虚弱，马拉松训练计划被迫推迟。

本研究提出逐步语义分割（PSS）方法，以解决自主驾驶在恶劣驾驶条件下的语义分割性能下降问题。该方法通过动态增长的领域特定模型集合，避免了传统方法的灾难性遗忘。实验结果表明，PSS在不同数据集上具有优越的泛化能力，显著提升了恶劣天气和光照条件下的分割效果。

本研究提出了WARLearn框架，以应对恶劣天气下自适应表示学习的挑战。通过减少额外训练，模型在雾天和低光条件下显著提升了性能，增强了对数据分布变化的适应能力。

本研究提出了ADUULM-360数据集，以解决深度估计中的场景多样性和传感器模态不足的问题。研究表明，现有自监督深度估计方法在恶劣天气条件下存在局限性，为未来研究提供了新的方向。

本研究提出了一种协作式LiDAR-4D雷达融合管道，利用V2X-R模拟数据集，解决了恶劣天气下V2X系统的3D物体检测问题。实验结果表明，该方法在雾天和雪天的性能显著提升，具有较大应用潜力。

本研究通过合并LISA和S2TLD数据集，并应用傅里叶领域适应技术，解决了交通信号灯检测中的数据稀缺和恶劣天气性能差的问题。实验结果表明，增强模型在雨天和雾天的表现显著优于未增强模型。

本研究提出了一种名为ERUP-YOLO的图像自适应目标检测方法，旨在提高雾霾和低光等恶劣天气下的检测性能。通过引入贝塞尔曲线像素级过滤器和局部核过滤器，该方法在多种恶劣天气条件下表现出色。

本研究提出了多种基于深度学习的恶劣天气图像恢复方法，如TransWeather、MetaWeather和UtilityIR。这些方法在不同天气条件下显著提升了图像恢复效果，克服了传统方法的局限性，尤其在真实场景中的应用表现优异。

本文介绍了针对恶劣天气（如雨、雾）的计算机视觉算法改进方法，包括残差通道、CMAda和ZeroScatter等。研究构建了高质量雨数据集，提出了低秩张量恢复模型和基于Transformer的除雨算法，显著提升了图像处理性能。此外，还探索了夜间光流和大气湍流校正的领域自适应方法，展示了在不同天气条件下的优越性。

本研究提出了多种基于Transformer的图像恢复方法，旨在改善恶劣天气条件下的图像质量。新模型如TransWeather、RSFormer和GridFormer在去雪、去雨和去雾等任务中表现优异，并在真实场景中验证了其有效性。通过元学习和半监督学习等技术，提升了恢复性能，尤其在自动驾驶应用中展现出良好潜力。

本研究提出了一种基于跨模态知识蒸馏的半监督训练框架，显著提升了单目三维检测性能。通过双向LiDAR-Radar融合框架解决了雷达数据稀疏性问题，并在多个数据集上表现优异。此外，研究探讨了雷达与激光雷达数据融合在恶劣天气下的物体检测能力，提出了相机-雷达知识蒸馏框架，进一步提升了检测性能。

本研究提出了多种基于Transformer的图像恢复方法，旨在改善恶劣天气条件下的图像质量。研究表明，这些方法在去除雨雪雾等失真方面表现优越，并在真实场景中效果良好。

本文介绍了一种新方法，分析语义分割模型在恶劣天气下的稳健性，结合激光雷达传感器实现自动化处理，消除手工标注需求。研究表明，模型性能受天气和相机参数等因素影响，并提出了改进策略和新数据集，以提升自动驾驶系统在复杂环境中的表现。

本文介绍了KAIST-Radar数据集及其在恶劣天气下的物体检测应用。研究提出了领域自适应目标检测框架和L4DR融合技术，显著提高了雷达和LiDAR在复杂环境中的检测性能，尤其在雾霾条件下，L4DR方法提升了20%的检测准确率。

本文介绍了针对恶劣天气条件下目标检测的创新方法，包括单目3D检测模型MonoTDP、无监督领域适应框架和合成数据集WEDGE。这些方法通过自适应学习和数据增强技术，显著提升了极端天气下的检测性能，实验结果显示其优于现有技术。