复杂雨天环境下车道图像深度估计的KPNDepth
计算机视觉与模式识别
2024-10-10 v2
摘要
近期深度神经网络的进展提高了在晴朗、白天驾驶场景中的深度估计能力。然而，现有方法在雨天条件下难以应对，因为雨 streaks 和雾霾会扭曲深度估计。本文提出一种用于雨天车道深度估计的新型双层卷积核预测网络。它预测两套卷积核，以减轻深度损失和雨 streak 痕迹。为解决真实雨天车道数据稀缺的问题，本文提出一种图像合成算法RCFLane，创建称为RainKITTI的合成数据集。实验表明，该框架在复杂雨天条件下有效。
关键词
引用
@article{arxiv.2405.09964,
title = {KPNDepth: Depth Estimation of Lane Images under Complex Rainy Environment},
author = {Zhengxu Shi},
journal= {arXiv preprint arXiv:2405.09964},
year = {2024}
}