通过阴影图像分解实现阴影去除
通过使用线性光照转换建模阴影效应,提出了一种深度学习方法,使用 SP-Net 和 M-Net 来预测阴影参数和阴影遮罩,并采用修补网络 I-Net 进一步优化结果,在 ISTD 数据集上测试表明,在阴影区域方面,我们的方法比现有方法提高了 20%,同时提出了一种基于补丁的弱监督阴影去除方法,并引入了一个用于评估阴影去除方法的视频数据集 SBU-Timelapse。
Dec, 2020
本论文针对复合图像生成中前景物体与背景的阴影效果问题,提出了一个新的阴影生成方法 SGRNet,并构建了一个真实世界阴影生成数据集 DESOBA 来验证该方法的有效性。
Apr, 2021
该研究提出了一种 Retinex-based 阴影模型和 ShadowFormer 转换器网络,通过多尺度通道的注意机制和 Shadow-Interaction Module 中的 Shadow-Interaction Attention 对阴影和非阴影区域之间的全局联系进行建模。经验证,该方法在三个常用的公共数据集中实现了最先进的性能。
Feb, 2023
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
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
单幅图像阴影去除是一个重要的任务,我们提出了一种简单而有效的渐进循环网络(PRNet)来逐步去除阴影,并在阴影特征提取和渐进阴影去除两个部分中使用 PRNet,从而在性能和时间之间取得平衡。实验证明,我们的方法可以有效去除阴影并取得卓越性能。
Nov, 2023
Shadows significantly impact computer vision tasks outdoors, but existing shadow removal methods are computationally intensive; therefore, ShadowRemovalNet, a novel method for real-time image processing on resource-constrained hardware, offers higher frame rates, efficiency, and simplicity, making it suitable for real-time computer vision applications such as outdoor robotics and edge computing.
Mar, 2024
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