ECCVJul, 2018

本质图像和语义分割的联合学习

PDF
TL;DR该研究提出了一种基于反射图像的半监督 CNN 自动学习模型，该模型同时处理语义分割和本征图分解任务，该模型可以提高自然场景下两种任务的准确性。
semantic segmentationreflectance imagesintrinsic image decompositionjoint learningcnn architecture
发现论文，激发创造
  • 深度混合真实和合成训练用于内在分解

    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。

    Jul, 2018

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 反射自适应滤波提升本质图像估计

    本文探讨使用先验知识在分离图像的内在成分中的反射率和阴影层时的高性能方法，并提出了一种基于 CNN 学习和使用先验知识的损失函数，后者可以实现强反射不变性的联合双边滤波方法，达到在我们提供的对多个算法进行内在成分分解的标准基准测试上的最佳性能。

    Dec, 2016

  • 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

  • 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