ICCVMar, 2019

Mask-ShadowGAN: 学习从非成对数据中去除阴影

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 通过基于亮度引导的网络在非配对数据训练下进行阴影去除

    本文提出了一种基于轻度信息引导的深度学习方法，分为两个 CNN 模块完成去阴影操作，通过非配对数据的训练达到了优于现有方法的效果。

    Jun, 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

  • 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

    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。

    Dec, 2017

  • 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

  • 使用合成阴影进行阴影检测和消除的学习

    介绍了 SynShadow，这是一个新的大规模合成阴影 / 无阴影 / 亚光图像三元组数据集及其产生方法：通过对物理接地阴影照明模型的扩展，利用透明图像、亚光图像和阴影衰减参数的任意组合来合成阴影图像，并展示了在一些具有挑战性的基准测试上，使用该数据集支持训练的阴影去除模型的优异表现以及简单微调自 SynShadow 预训练模型的改进效果，并且提供了公开的代码

    Jan, 2021

  • 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

  • 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

  • 基于阴影自适应攻击的图像去阴影方法对抗鲁棒性评估

    本文提出一种名为阴影自适应对抗攻击的新方法，通过根据阴影图像中不同区域的像素强度调整攻击预算，实现对阴影区域噪声更不可察觉，对非阴影区域扰动更具容忍度，结合该方法对现有阴影去除方法进行全面实证评估。

    Mar, 2024

  • 双对比学习的非配对深度图像去雨

    本文提出了一种探索非配对样本的双重对比学习方式，在深度特征空间中了解非配对样本的共同属性，开发出有效的无配对单影像去雨敌对框架称为 DCD-GAN。它包括双向翻译分支 (BTB) 和对比指导分支 (CGB)，通过计算机实验表明，与现有的无配对去雨方法相比，在合成和真实世界数据集上，我们的方法表现优异，并且与多个全监督或半监督模型产生可比较的结果。

    Sep, 2021