PulseAugur
中
实时 05:30:12
English(EN) ASTAD: Asymmetric Style Transfer for Synthetic-to-Real Adaptation in Autonomous Driving

新方法解决自动驾驶中合成到真实域的差距

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的、专注于自动驾驶非对称风格迁移（ASTAD）的任务。该方法通过将无标签真实世界图像的风格迁移到有标签的合成图像上来解决自动驾驶系统适应合成数据的挑战。提出的 ASTModel 框架在不需要真实世界参考的语义标签的情况下实现了这一点，显著提高了下游感知效用和结构保真度，同时提供了更快的推理速度。 AI

影响 这项研究通过提高在合成数据上训练的模型的泛化能力，有可能加速鲁棒的自动驾驶系统的部署。

排序理由 介绍新方法和任务的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新方法解决自动驾驶中合成到真实域的差距

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Dingyi Yao, Xinqi Zhang, Lihui Peng, Jianming Hu, Danya Yao, Yi Zhang ·

    ASTAD: Asymmetric Style Transfer for Synthetic-to-Real Adaptation in Autonomous Driving

    arXiv:2606.29286v1 Announce Type: new Abstract: Synthetic data mitigates the data scarcity problem in autonomous driving perception. However, the synthetic-to-real gap leads to performance degradation, hindering real-world model generalization. Although current methods leverage d…

相关话题