RHRSegNet: Relighting High-Resolution Night-Time Semantic Segmentation

夜间语义分割是计算机视觉中至关重要的任务，其关注点在于在低光条件下准确地对物体进行分类和分割。与白天技术不同，夜间场景中的表现通常较差，这对于自动驾驶来说非常重要，因为存在光照不足、低照度、动态光照、阴影效应和对比度降低等问题。我们提出了RHRSegNet，它实现了一个重新照明模型，应用于高分辨率网络进行语义分割。RHRSegNet采用残差卷积特征学习来处理复杂的光照条件。然后，我们的模型将经过光照处理的场景特征图输入到高分辨率网络中进行场景分割。该网络由卷积产生具有不同分辨率的特征图，通过下采样和上采样实现不同级别的分辨率。我们使用大量夜间数据集进行训练和评估，例如NightCity、City-Scape和Dark-Zurich数据集。我们提出的模型在低光或夜间图像中将HRnet分割性能提高了5%。

论文旨在解决低光照条件下的夜间场景语义分割问题，该问题对自动驾驶等领域至关重要。

论文提出了一种基于高分辨率网络和光照模型的夜间场景语义分割方法RHRSegNet，通过残差卷积特征学习处理复杂的光照条件，将光照后的场景特征图输入高分辨率网络进行场景分割。

论文使用了NightCity、City-Scape和Dark-Zurich等大型夜间数据集进行训练和评估，提高了HRnet在低光照或夜间图像中的分割性能5%。此外，论文还提供了开源代码。

在这个领域中，最近的相关研究包括：Nighttime Semantic Segmentation with Synthetic Data（使用合成数据进行夜间语义分割）和Learning to See in the Dark（学习在低光照条件下进行图像增强）。