ICCVJul, 2017

使用深度神经网络对相机中场景相关成像建模

PDF
TL;DR本文提出了一种新颖的深度学习框架，用于对场景相关的相机内图像处理进行建模，通过多尺度金字塔学习直方图层将全局和局部场景上下文结合到像素特征中，该方法可以精确地建模在自动模式下不同相机的成像管道，并应用于改善图像去模糊的性能。
deep learningradiometric calibrationautomodemulti-scale pyramidimage deblurring
发现论文，激发创造
  • 通过学习隐式相机模型翻转成像过程

    本文介绍了一种新型的深度神经网络模型 —— 隐式相机模型，可以模拟相机成像过程，在多段曝光和多对焦的影响下，生成高质量的全景照片和高动态范围图像。

    Apr, 2023

  • 从非姿态图像中学习鲁棒的多尺度神经辐射场表示

    提出了一种改进的神经图像渲染问题的解决方案，通过从不同分辨率的图像中恢复准确的相机参数并利用多尺度神经场网络进行绝对相机姿态估计，该方法实现了从不同视角合成逼真的场景图像。

    Nov, 2023

  • 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

  • 基于可学习字典的模型化图像信号处理器

    该研究提出了一种混合模型和数据驱动的 ISP 技术，实现了 RAW 和 RGB 域的双向映射和参数学习，通过基于字典的数据增强方法，在 RAW 图像重建和去噪任务中实现了最先进的性能。

    Jan, 2022

  • CAMPARI: 相机感知的分解式生成神经辐射场

    本文提出了一种深度生成模型，它是基于 3D 且与摄像机相关的，通过将场景分成背景和前景模型，并学习摄像机与图像生成器，达到了更高效且可分离的场景再现效果。

    Mar, 2021

  • 学习少即是多 - 通过三维表面回归实现六自由度相机定位

    本文针对如何从单个 RGB 图像中在给定的 3D 环境中预测 6D 相机姿态这一问题，通过设计并使用一个名为完全卷积神经网络的组件实现了高效、高精度和鲁棒性训练的端到端可训练的管道。令人惊奇的是，网络仅依靠单一视角的约束条件即可自动发现 3D 场景几何，甚至在没有利用场景 3D 模型的情况下，也能比现有技术更优秀。

    Nov, 2017

  • 基于物理的单图像室内场景光照编辑

    本文提出了一种使用神经渲染框架的方法，通过利用预测的深度数据和光源分割掩模，从单个图像中编辑复杂室内照明，解决了通过局部 LDR 场景观察从而对 HDR 照明进行建模和分离的难题，其特点在于综合使用场景重建和参数化 3D 照明的方法。

    May, 2022

  • 跨域多模态 RGB-D 场景识别

    本文提出了一种自适应景观识别方法，该方法使用 RGB 和深度图像之间的自监督转换，以解决多模态数据集之间的领域转移问题，并证明其在不同相机采集的数据之间具有很强的泛化能力。

    Mar, 2021

  • 基于物理启发的深度网络的热图像处理

    DeepIR 是一个新的热成像处理框架，结合了精确的传感器建模和深度网络图像表示，可用于开展无需训练数据和已知黑体目标的计算机视觉任务，并采用多张图像噪声抑制和超分辨率算法，实现高质量的非均匀校正。

    Aug, 2021

  • 基于 RGB-D 图像的辐射场景分解：场景反射率、照明和几何

    通过利用 RGB-D 图像重建场景的几何和同时恢复复杂反射和自然照明的 radiometric 成分，从而对多个未知材料对象进行空间变化的建模，可以实现从 RGB-D 图像中恢复丰富的 radiometric 信息，并展示 RGB-D 传感器在场景理解任务中的新角色。

    Apr, 2016