朝向太阳高度引导的场景照明-计算机科学-自动驾驶-深度学习.pdf

朝向太阳高度引导的场景照明

SamedDoğan,MaximilianHoh,NicoLeuze,NicolasR.-Peña,AlfredSchöttl

Dept.ofElectricalEngineeringandInformationTechnology

UniversityofAppliedSciencesMunich,80335Munich,Germany

Email:samed.dogan@

摘要—安全且稳健的自动驾驶功能的发展高度依赖于大规是在自动驾驶领域内首次这样做。只要自我姿态和捕获

模、高质量的传感器数据。然而，现实世界的数据采集需要大量时间已知，就可以直接从相关数据集中获得太阳位置，

的人工劳动，并受到标注成本、驾驶员安全规程和多样化场景覆从而消除了对外部粗糙标签的需求。我们讨论了日出和

盖等因素的强烈限制。因此，多条研究线路集中于合成相机传感

日落期间太阳运动与感知光线之间的非线性行为，并提

器数据的条件生成。我们发现关于日间变化的研究存在一个显著

出了一种保留全局结构和局部变异的规范化方法，在标

差距，这可能是由于可用标签稀缺所导致的。因此，我们将太阳

本高度角作为全局条件变量呈现出来。它可以从经纬度坐标和本地量范围内保持这些特征。进一步展示了太阳高度作为替

译时间中轻松计算得出，从而消除了对广泛手动标注的需求。我们代变量在建模感知图像噪声中的有效性。由于其硬件要

中的工作还辅以一种定制化的归一化方法，针对日光对高度数值微求较低，我们使用文本反转[9]作为首选实现方法。

1小变化的敏感性进行调整。我们在扩散模型的背景下展示了其准简而言之，我们的贡献如下：

v确捕捉光照特性和光照依赖图像噪声的能力。

2我们在自动驾驶的背景下介绍了生成式相机传感器

1I.介绍模型中的日光变化任务。

8

5扩散模型[1],[2]已经成为一类强大的生成模型，能我们将太阳高度角作为全局照明的一个可能条件变

0

7.够合成任意模式的数据样本。因此，在自主驾驶领域获量，并建议一个定制的归一化和编码程序，以考虑

0得了显著的关注，能够在受控环境中生成复杂的驾驶场条件与视亮度之间的非线性关系。

5

2景。我们展示了高度条件模型在捕捉不仅全局光照而且

:大量研究工作集中在合成相机[3],[4]或多模态数据还原依赖于照明的噪声特征的能力。

v

i

x[5]–[7]的现实生成上，正确地解决了如连贯的多视角生

rII.相关工作

a成和多传感器对齐等核心问题。然而，在空间场景控制

和跨模一致性方面进行了大量的研究努力后，准确的日A.扩散模型

间表示这一方面仍然基本未得到解决。一个可能的解释扩散模型旨在学习某些数据分布，其基本操

是缺乏明显的标签来准确地，并且从地理位置的角度全作基于两步概率框架。前向过程逐渐用高斯噪声污染

局建模样时间。例如，nuScenes[8]数据集在训练State一些输入数据经过一系列时间步骤，使

oftheArt(SotA)生成传感器模型时被广泛使用，但仅得。逆过程包含一个可学习的模型，通过

提供一个粗糙的提示级别标签夜晚。另一个未充分探讨迭代去噪从