🌦️ 恶劣天气感知增强 30章 · 从理论到实战

🌧️❄️🌫️ 感知 · 去雾 · 多模态
01
课程导论：为什么恶劣天气是感知的噩梦？
开篇 挑战与动机
02
物理基础：雨雾对激光雷达点云的散射与衰减模型
LiDAR 散射·衰减
03
物理基础：雨雾对相机图像的对比度与颜色失真影响
相机 对比度·色偏
04
数据集构建：真实恶劣天气数据采集方案与注意事项
采集 真实数据
05
数据集构建：合成恶劣天气数据生成方法（GAN与物理渲染）
合成 GAN·渲染
06
图像去雾经典方法：暗通道先验（DCP）原理与实现
去雾 暗通道先验
07
图像去雾进阶：基于深度学习（DehazeNet、AOD-Net）的去雾网络
去雾 深度学习
08
图像去雨：从稀疏编码到深度卷积网络的去雨演进
去雨 稀疏编码·CNN
09
低照度增强：Retinex理论及其在夜间图像增强中的应用
低照度 Retinex
10
低照度增强：基于深度学习的低光照图像增强（Zero-DCE等）
低照度 Zero-DCE
11
多模态融合：相机与毫米波雷达在雨雾中的互补性分析
融合 相机+雷达
12
多模态融合：基于注意力机制的图像与点云融合策略
融合 注意力机制
13
点云去噪：基于统计滤波与半径滤波的离群点去除
点云 统计滤波
14
点云补全：雨滴造成的点云空洞修复算法
点云 空洞修复
15
传感器自清洁：摄像头加热、超声波除雾与物理防护设计
硬件 自清洁
16
算法鲁棒性：对抗训练与数据增强在恶劣天气下的应用
鲁棒性 对抗训练
17
域自适应：从晴天模型迁移到雨雾场景的无监督方法
域自适应 无监督
18
时序融合：利用多帧信息抑制单帧感知的随机噪声
时序 多帧融合
19
语义分割增强：面向恶劣天气的专用分割网络结构
分割 专用网络
20
目标检测增强：针对雨雾遮挡的检测头改进策略
检测 遮挡改进
21
深度估计增强：恶劣天气下的单目与双目深度恢复
深度 单目/双目
22
端到端模型：一体化天气去除与感知联合网络
端到端 联合网络
23
模型轻量化：在嵌入式平台上部署增强算法的技巧
轻量化 嵌入式
24
评测体系：恶劣天气感知任务的专用评测指标（MSE、SSIM、mAP@Rain）
评测 指标体系
25
仿真平台：基于CARLA/SUMO的恶劣天气场景构建与测试
仿真 CARLA·SUMO
26
实战案例1：基于ROS的雨雾天气感知系统搭建
实战 ROS系统
27
实战案例2：使用TensorRT加速去雾网络在Jetson上的部署
实战 TensorRT·Jetson
28
前沿趋势：神经辐射场（NeRF）在恶劣天气下的新应用
前沿 NeRF
29
前沿趋势：大模型（视觉基础模型）对恶劣天气的零样本适应
前沿 基础模型
30
课程总结与未来展望：从感知增强到全天气自动驾驶
总结 全天气自动
🌿 恶劣天气感知增强 · 30章 专注资料整理 ⛅ 感知无惧风雨