1、CurbNet: Curb Detection Framework Based on LiDAR Point Cloud Segmentation
中文标题：CurbNet：基于激光雷达点云分割的路缘检测框架
简介：这篇文章介绍了一种名为CurbNet的新型路缘石检测框架，该框架基于点云分割技术。路缘石检测在智能驾驶中扮演着重要角色，可帮助确定道路可行驶区域。然而，由于道路环境复杂，路缘石的检测具有一定难度。为了解决缺乏全面路缘石数据集和3D注释的问题，作者创建了包含7,100帧的3D-Curb数据集，这是目前最大、最多样化的路缘石点云集合。作者发现路缘石主要通过高度变化来表征，因此采用了空间丰富的3D点云进行训练。为了克服xy平面上路缘石特征分布不均和对z轴高频特征依赖性带来的挑战，作者引入了多尺度和通道注意力（MSCA）模块，以优化检测性能。此外，作者提出了一组自适应加权损失函数，专门应对路缘石点云分布不平衡的情况。作者进行了广泛实验，结果超越了现有路缘石检测和点云分割模型的基准。通过后处理阶段的多聚类和曲线拟合技术，作者显著减少了路缘石检测中的噪声，将精度提高至0.8744。CurbNet在容差为0.15m时实现了超过0.95的平均指标，建立了新的标准。实际世界实验和数据集分析验证了CurbNet出色的检测能力和强大的泛化能力。
2、One-Shot Domain Incremental Learning
中文标题：一次性域增量学习
简介：在以前的深度神经网络分类模型研究中，已经讨论了领域增量学习（DIL）。DIL假设随着时间推移，会出现新领域的样本，要求模型对所有领域的输入进行分类。然而，在实际操作中，可能会遇到一种情况，即需要在新领域的样本仅被偶尔观察到的情况下执行DIL。因此，在这项研究中，我们考虑了一种极端情况，即只有一个新领域样本的情况，称之为单次DIL。我们首先通过实验发现，在单次DIL中，现有的DIL方法效果不佳。通过各种调查分析了失败原因，发现单次DIL的困难是由批量归一化层中的统计数据引起的。因此，我们提出了一种关于这些统计数据的技术，并通过对开放数据集进行实验证明了我们技术的有效性。
3、Self-Adaptive Reality-Guided Diffusion for Artifact-Free Super-Resolution
中文标题：自适应现实引导扩散，用于无伪影超分辨率。
简介：这篇文章介绍了一种名为无伪影超分辨率（SR）技术的方法，其旨在将低分辨率图像转换为高分辨率图像，并保持原始内容的完整性，消除任何失真或合成细节。传统的基于扩散的SR技术虽然已经显示出提高图像细节的能力，但在迭代过程中容易引入伪影。这些伪影可能从微小的噪点到不真实的纹理，都会偏离源图像的真实结构，因此对超分辨率过程的完整性构成挑战。本文提出了一种名为Self-Adaptive Reality-Guided Diffusion（SARGD）的无需训练方法，它深入潜在空间中，有效地识别和减轻伪影的传播。SARGD首先使用伪影检测器识别不合理的像素，创建突出显示伪影的二进制掩码。随后，通过将该掩码与真实潜在表示相结合，现实指导细化（RGR）过程改善伪影的精度，提高与原始图像的对齐度。然而，来自低质量图像的初始真实潜在表示可能导致最终输出过于平滑。为解决这个问题，引入了自适应指导（SAG）机制，动态计算现实得分，增强真实潜在的清晰度。这些交替机制共同实现了无伪影的超分辨率。大量实验表明了该方法的优越性，能够提供详细的无伪影高分辨率图像，并减少采样步骤。他们已经在https://github.com/ProAirVerse/Self-Adaptive-Guidance-Diffusion.git发布了他们的代码。