FIFO雾霾场景下的道路语义分割

Titttle：FIFO: Learning Fog-invariant Features for Foggy Scene Segmentation
paper：https://arxiv.org/pdf/2204.01587
代码：https://download.csdn.net/download/weixin_43561040/89562211

---

前言

在恶劣天气条件下的视觉识别如何提升雾霾场景下的语义分割有效性，其关键思想是将图像的雾认为是一种风格，并缩小分割模型不同雾条件下的图像之间的差距，特别是由于雾的神经网络受影响较大，类似于遮掩物的存在，引入雾通滤波模块，可以有利于提取雾的相关因素，通过该模块与分割模型的交替优化，逐渐缩小有雾和没有雾条件下的风格变化，从而降低雾霾的影响，提升鲁棒性。

一、介绍

现有的方法通过合成雾图像数据集来解决问题，这些数据集通过将真实雾效应应用于完全标注的清晰天气图像，并用于语义分割的监督学习。此外，还引入了curriculum learning approaches，该方法通过使用未标记的真实浓雾图像，逐步将模型从光合成雾变成真实浓雾。虽然这些方法已经取得了令人印象深刻的鲁棒性，但由于它们的训练策略仅限于普通的监督学习，因此还有进一步改进的空间。此外，cur