Jul, 2018

深度混合真实和合成训练用于内在分解

PDF
TL;DR该论文提出使用深度卷积神经网络解决困难的内在图像分解问题，通过对真实图像和合成图像模型的混合训练，以及引入 Bilateral Solver 层，进一步改进结果，实现了对各种数据集包括真实世界场景的不同光照图像的理想产出。
intrinsic image decompositionconvolutional neural networkdeep learningreal imagesreflectance
发现论文，激发创造
  • 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

  • 使用反射和 Retinex 模型的基于 CNN 的内在图像分解学习

    该论文提出了一种揉合了深度学习与物理反射模型与渐变信息的新型本质图像分解方法，并通过大量实验证明其优于现有方法，最终形成快速、综合高效的本质图像分解方式。

    Dec, 2017

  • 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

  • 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

  • 神经辐射场中的学习式光照重建和内在分解

    我们的研究引入了一种将重照和内在分解相结合的方法，通过利用场景中的光变化生成伪标签，为内在分解提供指导，同时确保对不同场景类型的稳健性，并减少对预训练模型或手工先验的依赖。我们在合成和真实世界数据集上验证了我们的方法，并取得了令人信服的结果。此外，我们的方法在图像编辑任务中的适用性显示出了有希望的结果。

    Jun, 2024

  • 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

  • 学习数据驱动的反射先验用于内在图像分解

    本文提出了一种基于数据驱动的方法，用于分解内在图像，通过训练模型预测图像片段之间的相对反射顺序并将其应用于能量最小化框架，以获得更好的效果。

    Oct, 2015

  • 逆问题的深度分解学习

    本文提出一种通过 Range-Nullspace 分解的深度学习框架，为解决逆成像问题提供了一种新的范式。通过对数据空间进行分解，模型获得了更多的物理信息，可以有效提高神经网络的学习性能和实际表现。实验结果表明，该框架在压缩感知医学成像和自然图像超分辨率等任务中均具有优异的性能表现。

    Nov, 2019

  • 使用对抗性学习进行高光谱图像分类的深层内在分解

    开发了一种名为 AdverDecom 的新型深度内在分解与对抗学习方法，用于遥感图像分类，以减轻环境因素对分类性能的负面影响，并通过生成网络（HyperNet）提取与环境相关的特征和类别相关的特征，以及通过对抗学习的环境和类别联合学习损失来使深度模型学习到判别特征。实验证明了该方法的优越性。

    Oct, 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