Aug, 2015

使用卷积神经网络进行单个和多个光源估计

PDF
TL;DR本文提出了一种用于估计 RAW 图像中光源颜色的方法，包括一个使用特定设计的卷积神经网络来产生多个局部估计值的过程以及多光源检测器，用于决定网络的本地输出是聚合成单个估计值还是保持多个估计值。在标准数据集上进行实验，得到了与其他通用方法相比更低的估计误差率。
发现论文，激发创造
  • 基于 DNN 模型的独立传感器光照估计

    该论文提出了一种新颖的传感器无关光源估计框架，通过学习传感器无关的工作空间来解决为每种类型的相机传感器训练单独的深度神经网络模型的问题。

    Dec, 2019

  • 使用 CNN 的色彩恒常性

    利用卷积神经网络对场景照明进行精确预测，在空间域中以图像块为输入，不使用手工制作的特征，该网络包括一个卷积层、一个最大池化层、一个全连接层和三个输出节点，将特征学习和回归一体化到一个优化过程中，在常规的 RAW 图像数据集上取得了最新成果，对具有空间变化照明的图像的初步实验表明 CNN 局部光源估计能力的稳定性。

    Apr, 2015

  • 多光源色彩恒常性的生成模型

    本文提出了一个基于物理的多光源颜色恒常性方法，利用 GAN 将照明估计问题建模为图像到图像域转换问题，并提出了一种新型的多照明数据增强方法，实验证明该方法优于现有工作。

    Sep, 2021

  • 神经照明：室内环境照明预测

    该论文提出了一种名为 “Neural Illumination” 的新方法，将光照预测分解成几个简单的不同 iable 子任务：几何估计、场景完成和 LDR-to-HDR 估计，并表明与以前的方法相比，该方法在定量和定性方面都得到了显着的改进。

    Jun, 2019

  • 一种多假设的色彩恒常性方法

    该研究提出了一种基于贝叶斯框架的多假设策略来解决色彩恒常性问题，通过数据驱动的方式选择多个候选场景光源，并利用相机视觉无关的卷积神经网络对更正的图像进行似然估计，最后从后验概率分布中学习一个最终的光照估计，该方法在多个公共数据集上实现了最先进的准确性。

    Feb, 2020

  • 基于物体的，考虑渲染的神经网络光照估计

    提出了一种方法，通过逆向渲染的物理原理来约束解决方案，同时利用神经网络来增强处理的计算能力，以提高对嘈杂输入数据的鲁棒性并实现高精度的目标物体光照估计，从而在 AR 情境下实现真实感增强。

    Aug, 2020

  • 双曝光高动态范围成像中的照明估计优化

    本研究探索了利用不同曝光时间捕获的图片帧中的信息，引入了从双曝光图像提取的简单特征（DEF）来指导光照估计器，在光照估计方面表现出了显著的效果。

    Mar, 2024

  • 学习从单张图像预测室内照明

    本文提出了一个自动方法，通过使用一个有限的视野、低动态范围的室内场景的照片来推断高动态范围的照明。通过使用深度神经网络，我们训练了一个分类器来自动注释 LDR 环境地图中光源的位置，然后利用这些注释来预测场景中光的位置，从而 fine-tune 这个网络来预测每个光源的强度，可以自动获得高质量的 HDR 照明估计结果，从而可以实现逼真的照片级结果。

    Apr, 2017

  • 针对多光谱行人检测的基于光照感知的 Faster R-CNN

    该研究深入比较了六种不同的卷积网络融合架构，并分析了它们的适应性，从而使传统架构能够实现与最先进的结果可比的检测性能。然后，提出了一种感知光照的 Faster R-CNN，该方法采用适应性门控函数来整合彩色和热图像，实现了对行人的有效检测，并在 KAIST 多光谱行人基准上获得了验证。

    Mar, 2018

  • 利用深度学习对计算机颜色恒常性问题进行分类处理

    本文采用深度学习框架来解决计算机颜色恒常性问题，使用卷积神经网络将颜色恒常性问题视为照明分类问题，设计深度学习架构以直接用于计算照明颜色，实验结果表明我们的深度网络能够提取有用特征用于照明估计，且在多个测试数据集上性能优于所有先前的颜色恒常方法。

    Aug, 2016