基于结构化深度边缘检测的影子优化
本研究提出了一种基于深度学习框架的快速阴影检测方法,使用多类支持向量机获取阴影先验图,并使用语义感知的小区域级卷积神经网络对阴影进行训练,实验结果表明该方法显著降低了阴影检测的时间复杂度,并且与最先进的方法相比,不失准确性。
Sep, 2017
该研究提出了一种 Retinex-based 阴影模型和 ShadowFormer 转换器网络,通过多尺度通道的注意机制和 Shadow-Interaction Module 中的 Shadow-Interaction Attention 对阴影和非阴影区域之间的全局联系进行建模。经验证,该方法在三个常用的公共数据集中实现了最先进的性能。
Feb, 2023
本文提出一种利用对抗训练和基于物理学的约束从而只使用阴影和非阴影区域进行阴影去除,可以应用于视频阴影去除的方法,该方法在我们提出的视频阴影去除数据集上的表现优于现有方法。
Aug, 2020
本文提出了一种基于轻度信息引导的深度学习方法,分为两个 CNN 模块完成去阴影操作,通过非配对数据的训练达到了优于现有方法的效果。
Jun, 2020
这篇论文提出了一种名为 DeepShadow 的方法,它可以通过光度立体阴影图从自身和投影的阴影中恢复深度图和表面法线,从而进行 3D 重建。该方法不需要预训练或昂贵的标记数据,在推理时进行优化,使用神经网络进行 3D 形状重建。
Mar, 2022
使用扩散模型进行纹理恢复在解决如何从含有阴影图像中推断出无阴影场景的问题上一直是个具有挑战性的难题。本文提出了使用扩散模型的方法,通过在扩散过程中逐渐细化阴影区域的细节,其中借鉴了具备无阴影图像特征的学习潜在特征空间,从而避免了只基于退化图像的传统方法存在的局限性。此外,我们还提出了通过将噪声特征与扩散网络融合来缓解训练过程中潜在的局部最优问题。我们的方法在 AISTD 数据集上的 RMSE 性能较之前的最佳方法提高了 13%,在 DESOBA 数据集上的 RMSE 性能较之前的最佳方法提高了 82%。
Dec, 2023
通过使用线性光照转换建模阴影效应,提出了一种深度学习方法,使用 SP-Net 和 M-Net 来预测阴影参数和阴影遮罩,并采用修补网络 I-Net 进一步优化结果,在 ISTD 数据集上测试表明,在阴影区域方面,我们的方法比现有方法提高了 20%,同时提出了一种基于补丁的弱监督阴影去除方法,并引入了一个用于评估阴影去除方法的视频数据集 SBU-Timelapse。
Dec, 2020
介绍了一个新的视频阴影检测方法 SC-Cor,通过加强阴影区域的像素级相似性来提高帧之间的一致性,并且不需要强制对应标签。此外,该方法考虑了阴影区域内部的可分离性,易于与现有算法集成,且实验结果表明其性能比先前的最优方法更好。
Jul, 2022