Mar, 2018

使用光照变化图像序列进行无监督深度单张图像本征分解

PDF
TL;DR该研究提出了一种基于机器学习的单幅图像固有分解方法，采用 siamese 训练方案进行深度卷积神经网络的训练，实现未标注图像的分解，同时提供了新的渲染数据集和评价指标。
发现论文，激发创造
  • 从观察世界中学习内在图像分解

    本文尝试用图像序列的方法学习单视角内在图像分解，并利用多图像信息进行训练，未使用任何基准数据集。我们提出了一个基于此想法的新的学习框架，并介绍了新的 loss 函数，该方法在多个数据集上具有良好的泛化性能。

    Apr, 2018

  • 单张图像内在图像分解的无监督学习

    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

  • 使用激光雷达强度增强的无监督内在图像分解训练

    利用只有图像而没有轻剑测距仪强度的方法，实现了与使用图像和轻剑测距仪强度相当的无监督本质图像分解质量。

    Mar, 2024

  • 自监控内部图像分解

    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

  • 利用多视角图像集进行无监督本征图分解和高光分离

    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

  • 利用 LiDAR 强度进行非监督内在图像分解

    本文提出了使用激光雷达强度信息来实现无监督内在图像分解的方法。通过设计强度一致性损失和强度密集化模块，我们成功克服了传统无监督学习方法所面临的挑战，并取得了比传统方法更好的结果。

    Mar, 2023

  • 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

  • 基于序数着色的内在图像分解

    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

  • PIE-Net: 基于光度不变边缘引导网络的固有图像分解

    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

  • 深度本征图像分解的重新审视

    该文介绍了使用具有灵活监督损失层的深度学习方法来实现自然图像的固有反射和阴影层解析分解，并展示了其在所有主要内部图像基准测试上取得的最先进结果。

    Jan, 2017