Dec, 2017

用堆叠式条件生成对抗网络同时学习阴影检测和阴影去除

PDF
TL;DR本研究提出了一种多任务学习的方法，用于联合学习阴影检测和去除。基于条件生成对抗网络的堆叠式模型，该模型可以共同学习这两个任务。研究构建了首个大规模基准，验证了该框架的优越性。
shadow detectionshadow removalmulti-task learningconditional generative adversarial networklarge-scale benchmark
发现论文，激发创造
  • Mask-ShadowGAN: 学习从非成对数据中去除阴影

    本文提出了一种新的阴影去除方法，使用非配对数据，不仅避免了繁琐的注释，还能够获得更多样化的培训样本。该研究使用了 Mask-ShadowGAN 框架，通过重新定义的循环一致性约束实现自动学习产生阴影屏蔽层，用于对阴影图像的生成进行指导，这在各种实验中表现出很高的效果。

    Mar, 2019

  • 语义引导的对抗扩散模型用于自监督阴影去除

    我们提出了一种基于语义引导的对抗扩散框架，用于自监督的去除阴影，并通过两个阶段的训练来改善生成图像的质量。我们的方法在多个公开数据集上进行实验，并证明了其有效性。

    Jul, 2024

  • ARGAN: 放置注意力的递归生成对抗网络，用于阴影检测和去除

    本文提出了一种基于 Attention 机制和生成对抗网络的影像去阴影网络 (ARGAN), 通过训练得到 ARGAN 模型，可以对含有简单或复杂阴影的图片进行处理，去除阴影获得更加逼真的图片。

    Aug, 2019

  • 使用生成对抗网络探索残差和光照进行阴影去除的 RIS-GAN

    本文提出了一种使用生成对抗网络来探索残留图像和亮度估计的 RIS-GAN 框架，以粗到细的方式生成间接阴影去除图像，其通过三个鉴别器来检测负残留图像、阴影去除图像和反向亮度图的真假，实验表明该方法在阴影去除上表现优异而且无需特定的阴影感知组件。

    Nov, 2019

  • 通过双重分层聚合网络和阴影抠图 GAN 实现无幽灵阴影去除

    本文介绍了通过使用名为 DHAN 和 SMGAN 的网络结构来解决阴影区域颜色不一致和边界失真的问题，以提高场景理解的能力。

    Nov, 2019

  • 从阴影生成到阴影去除

    本文提出了一种新的 G2R-ShadowNet 方法，通过使用一组阴影图像及其相应的阴影掩模进行训练，利用阴影生成进行弱监督阴影去除。此方法包含三个子网络，分别为阴影生成、阴影去除和细化，共同以端到端的方式进行训练，通过广泛的实验表明，这种方法在 ISTD 数据集和 Video Shadow Removal 数据集上取得了竞争性结果，并且优于以往方法。

    Mar, 2021

  • 从阴影分割到阴影去除

    本文提出一种利用对抗训练和基于物理学的约束从而只使用阴影和非阴影区域进行阴影去除，可以应用于视频阴影去除的方法，该方法在我们提出的视频阴影去除数据集上的表现优于现有方法。

    Aug, 2020

  • 使用无监督域分类器引导网络进行单图硬阴影和软阴影去除的 DC-ShadowNet

    本文提出了一种无监督领域分类器引导的网络 DC-ShadowNet，基于物理学成像模型和感知特性模型提供了新的损失函数，使其对软 阴影的处理能力得到了很大提高，同时在定量和定性上均表现出更好的阴影去除效果。

    Jul, 2022

  • StackGAN++：堆叠生成对抗网络实现逼真图像合成

    本文提出了堆叠式生成式对抗网络 (Stackgan)，该网络采用两个阶段和多个生成器和判别器构成的树状结构，用于高分辨率、逼真的图像生成。经过大量实验验证，该网络在生成逼真图像方面表现优于其他方法。

    Oct, 2017

  • 用双投影生成对抗网络进行条件图像生成

    本论文提出了一个双重投影生成对抗网络 (P2GAN) 模型，学习在数据匹配和标签匹配之间平衡的方法，并通过改善条件生成式对抗网络 (cGAN) 模型中的配对方法解决了分类困难的问题，实验结果表明其在多个真实数据集上具有良好的效果。

    Aug, 2021