ICCVAug, 2017

单张图像反射消除和图像平滑通用深度架构

PDF
TL;DR本文提出了一种深度神经网络结构，利用边缘信息解决图像分割和图像滤波等代表性的低级视觉任务，通过估计边缘和重建图像，采用级联卷积层排列的方法解决这些具有挑战性的问题，而无需使用专门的手工或应用程序特定的图像处理组件，并将得到的可转移管道应用于两个对边缘敏感的问题领域，单张图像反射去除和图像平滑。
发现论文，激发创造
  • 基于位置感知的单张图像反射去除

    本文提出了一种基于位置感知的深度学习单图像去反射新方法，在该网络中，反射检测模块回归一个概率性反射信念图，采用多尺度拉普拉斯特征作为输入，设计了一种递归网络，用于逐步精细调整照射和反射层。

    Dec, 2020

  • 利用不对齐的训练数据和网络增强进行单幅图像反射消除

    本文利用目标网络增强和不对齐数据的新颖用途，解决了单张图像反射去除的困难问题，在含有强烈反射区域的上下文编码模块和对齐不变损失函数的引入下，实现了对真实世界情况的显著改进。

    Apr, 2019

  • 基于感知损失的单张图片反射分离

    通过一个全卷积网络，我们提出了一种从单张图像中分离反射图像的方法。我们的方法通过低级别和高级别图像信息的损失函数来进行训练，并包含两个知觉损失、一个对抗损失以及一个像素级别层次分离的排斥损失。我们创建了一个真实世界图像数据集并验证了我们的方法的优越性。同时我们还将方法扩展到了另外两个图像增强任务中。

    Jun, 2018

  • 级联细化的单张图像去反射

    本文通过引入在社交网络中生成隐藏社区的迭代结构减少方法，提出了一种名为迭代增强卷积 LSTM 网络（IBCLN）的玻璃表面反射去除方法，其具有级联预测以提高预测质量，使用 LSTM 传递级联步骤中的信息以解决梯度消失问题，并使用残差重构损失进行进一步的训练指导，实验证明该方法与现有的反射消除方法相比具有更好的效果。

    Nov, 2019

  • 语义引导的单张图像去反射

    本文提出使用对象语义作为指导力量，强制将相同对象分配到同一层次来解决玻璃窗后的图像反射问题，并在不同数据集上进行了实验证明该方法的显著性能优势及其在计算机视觉任务中的应用。

    Jul, 2019

  • 利用凸优化实现快速单幅图像反射抑制

    本文提出了一种使用凸模型来抑制图像中反射的方法，其包含了梯度阈值的偏微分方程，并使用离散余弦变换高效地求解，通过实验验证其在合成和现实场景中都能够有效地抑制反射并大大减少处理时间。

    Mar, 2019

  • 基于物理训练图像的单图片反射消除

    本文提出了基于物理渲染的方法，通过 RGBD/RGB 图像确定网格，进行光传输仿真，合成训练数据并在此基础上进行基于深度学习的单张图像反射分离。同时，引入回溯网络模块（BT-net）来去除图像噪点、模糊和偏焦等问题。实验结果表明，相比于现有技术，本文方法在视觉效果和数值优化上都具有明显优势。

    Apr, 2019

  • 语言引导的图像反射分离

    本文研究了语言引导的反射分离问题，通过引入语言描述以提供层次内容，解决了反射分离问题。我们提出了一个统一的框架来解决这个问题，该框架利用交叉注意力机制和对比学习策略构建语言描述和图像层之间的对应关系。采用门控网络设计和随机训练策略来处理可识别层的模糊性。基于定性和定量比较验证了所提方法相对于现有的反射分离方法的显著性能优势。

    Feb, 2024

  • 高效盲点神经网络图像去噪架构

    用卷积神经网络进行图片去噪是计算摄影学中重要的工具，本研究提出了一种新的全卷积网络结构，使用扩张卷积实现盲点性质，该网络在已有数据集上表现优于之前的工作并取得了最新成果。

    Aug, 2020

  • CRRN: 多尺度导向并发反射去除网络

    本文提出了一种名为 Concurrent Reflection Removal Network (CRRN) 的反射去除网络，该网络利用图像外观信息和多尺度梯度信息提出了一种新的、基于人类感知的损失函数，并应用于新的 3250 张真实世界场景下的反射图像数据集上进行了训练及与基准数据集的对比实验，结果表明该方法胜过了同类先进方法。

    May, 2018