Mar, 2016

Deep Shading: 屏幕空间渲染的卷积神经网络

PDF
TL;DR本文介绍了一种基于卷积神经网络的 Deep Shading 方法，通过学习示例图像生成给定像素属性的外观，模拟了屏幕空间中的各种影响，提高了交互式图像合成的视觉质量和速度。
发现论文，激发创造
  • 使用随机卷积滤波器的浅层卷积神经网络纹理合成

    研究表明，随机浅层卷积神经网络的特征空间可以作为自然纹理的模型，可以用于纹理合成算法，并且相较于深层 CNNs 模型，浅层 CNNs 模型具有相当的性能。

    May, 2016

  • ShadingNet: 细粒度阴影分解的图像内在参数

    提出了一种使用深度卷积神经网络对遮蔽组分进行分解，从而区分强光学效应与反射变化的方法，并在大规模实验中证明了其优越性。

    Dec, 2019

  • 卷积神经网络在图像反问题中的综述

    本文综述使用卷积神经网络解决成像中的反问题的最新进展，并重点关注了设计决策，即训练数据的来源，CNN 的架构以及如何解决学习问题等关键理论。

    Oct, 2017

  • 单目深度估计卷积神经网络的可视化

    通过对卷积神经网络的可视化，利用优化问题识别最少的图像像素来实现单张图像的深度推断，该方法在室内和室外场景数据集上得到了有效应用，结果有助于探究如何通过卷积神经网络从单张图像中推断深度的问题。

    Apr, 2019

  • 野外环境中的遮挡注释

    本文介绍了一种新的大规模、公共的室内场景阴影注释数据集，并用该数据集训练了一种卷积神经网络，以预测图像中每个像素的阴影信息，并在内在图像的应用中展示了我们的数据和网络的价值。

    May, 2017

  • 为表面法线估计设计深度网络

    本文使用卷积神经网络进行单张图像表面法线的预测，并通过加入人工约束和中间表征优化网络结构，得到了表现最优的结果。

    Nov, 2014

  • Scribbler: 用草图和颜色控制深度图像合成

    本文提出了一种基于深度对抗图像合成框架，结合草图轮廓和稀疏颜色笔画生成逼真的汽车、卧室或人脸。我们展示了一个基于草图的图像合成系统，允许用户在草图上涂鸦以指示所需对象的首选颜色。该网络是前向的，可以实时看到用户编辑的效果。与最近关于草图到图像合成的研究进行了比较，表明我们的方法可以生成更逼真、更多样和更可控的输出，并且对于灰度图像的用户引导上色也很有效。

    Dec, 2016

  • 直接本质图像：通过卷积回归学习反照率 - 阴影分解

    使用卷积神经网络 (CNN) 和 MPI Sintel 数据集进行直接本质分解的新方法表现出色，超过了以前所有的工作，其结果证明了 CNNs 与合成训练数据的结合可能是解决计算机视觉中经典问题的有力新技术。

    Dec, 2015

  • 基于卷积神经网络的室内场景理解的物理渲染

    本研究介绍了一个大规模的合成数据集，该数据集包括来自 4.5k 个室内场景的 40 万张基于物理的渲染图像，研究了不同的渲染方法和场景照明对深度学习算法在表面法线预测、语义分割和物体边界检测三个计算机视觉任务中的影响，并表明，使用这个新的合成数据集进行预训练可以提高所有三个任务的结果。

    Dec, 2016

  • 深度卷积神经网络用于图像反问题

    使用深度卷积神经网络，结合直接反演、多分辨率分解和残差学习等技术来解决病态反问题，实验证明，在稀疏采样下，该方法能在不到一秒的时间内重建 512 x 512 的图像，取得了比迭代正则化平滑重建更好的效果。

    Nov, 2016