学习数据驱动的反射先验用于内在图像分解
本文提出了一种新颖的无监督内在图像分解框架，不依赖于标记的训练数据和手工制作的先验。通过探索反射和阴影之间的独立性、域不变内容约束和物理约束，直接从无监督和不相关的数据中学习反射和阴影的潜在特征。在合成和实际图像数据集上的广泛实验表明，所提出的方法具有一致的卓越性能。
Nov, 2019
该论文提出了一种揉合了深度学习与物理反射模型与渐变信息的新型本质图像分解方法，并通过大量实验证明其优于现有方法，最终形成快速、综合高效的本质图像分解方式。
Dec, 2017
我们的研究引入了一种将重照和内在分解相结合的方法，通过利用场景中的光变化生成伪标签，为内在分解提供指导，同时确保对不同场景类型的稳健性，并减少对预训练模型或手工先验的依赖。我们在合成和真实世界数据集上验证了我们的方法，并取得了令人信服的结果。此外，我们的方法在图像编辑任务中的适用性显示出了有希望的结果。
Jun, 2024
本文提出了使用解释输入图像的方法来学习内在图像分解，在单个图像上执行反射、形状和光照条件的预测。该网络利用无监督重建误差信号来提高中间表示的质量，使得大规模未标记数据在训练中有用，并且能够将所学知识应用于不同的对象类别、光照条件和形状的图像上。实验结果表明，该方法对内在图像分解和知识传递均表现出色。
Nov, 2017
该论文提出使用深度卷积神经网络解决困难的内在图像分解问题，通过对真实图像和合成图像模型的混合训练，以及引入 Bilateral Solver 层，进一步改进结果，实现了对各种数据集包括真实世界场景的不同光照图像的理想产出。
Jul, 2018
本文提出了一种基于多视角真实图像训练的无监督方法，将物体外观分解为高光、阴影和漫反射层，使用局部颜色分布的图像表示进行训练，在高亮度分离和内在图像分解两种任务上取得了最新的成果。
Nov, 2019
本文探讨使用先验知识在分离图像的内在成分中的反射率和阴影层时的高性能方法，并提出了一种基于 CNN 学习和使用先验知识的损失函数，后者可以实现强反射不变性的联合双边滤波方法，达到在我们提供的对多个算法进行内在成分分解的标准基准测试上的最佳性能。
Dec, 2016
该论文提出了一种基于边缘驱动的混合卷积神经网络方法，用于固有图像分解，取得了良好的效果，并将全局和本地提示区分开来以提高网络性能。
Mar, 2022
本研究通过将问题分解成两个部分来实现高分辨率的内部分解，首先使用平移和尺度不变损失设计了一种密集的序数阴影公式，然后结合低分辨率和高分辨率的序数估计利用第二个网络生成具有全局连贯性和局部细节的阴影估计，最后通过多光照数据和预测的模型生成密集的伪地面真值来定量和定性分析我们的预测内部成分，并展示了我们估计的实际应用性。
Nov, 2023