CVPRNov, 2019

实例阴影检测

PDF
TL;DR在这篇研究报告中，我们提出了一个全新的问题，即实例阴影检测。为了解决这个问题，我们制作了一个名为 SOBA 的新数据集，设计了一个名为 LISA 的端到端框架来自动预测阴影和对象实例，并配对它们生成最终结果，并且我们还开发了一种新的评估度量标准来衡量我们的结果性能。此外，我们还进行了各种实验，并展示了我们的方法在光线方向估计和照片编辑上的适用性。
instance shadow detectionsoba datasetlisa frameworkshadow-object associationslight direction estimation
发现论文，激发创造
  • DESOBAv2：基于大规模现实世界数据集的阴影生成

    本文研究了图像合成中生成真实阴影以使合成图像更逼真的问题。作者通过使用物体阴影检测和修复技术创建了一个名为 DESOBAv2 的大规模数据集，其中包含了大量的室外场景图像和物体阴影对。在真实图像和去除阴影图像的基础上，可以构建合成图像和目标图像对。

    Aug, 2023

  • RdSOBA：渲染阴影 - 物体关联数据集

    本文聚焦于为前景图像插入逼真的阴影以使合成图更具真实性，通过 3D 渲染技术创建了大规模数据集 RdSOBA，其中包括可控渲染技术下的阴影图像。

    Jun, 2023

  • 三元协同视频阴影检测

    本文介绍了一个用于动态场景下阴影检测的新视频数据集 ViSha，并在此基础上开发了一种新型模型 TVSD-Net，该模型通过三个并行网络的协同学习来提高单一视频和不同视频之间的判别表示，以及利用辅助相似性损失来挖掘不同视频之间的语义信息。实验表明，该模型在阴影检测方面优于 SOTA 竞争对手。

    Mar, 2021

  • 重新审视影子检测：针对复杂环境的新基准数据集

    该研究收集了多种场景的阴影图像并编译了一个新的包含 10,500 张阴影图片的数据集，每张图片都有标记的地面真值遮罩，以支持阴影检测。论文提出了一种快速阴影检测网络，其中包括细节增强模块，用来提取阴影细节，并证明了在一般情况下检测阴影的方法的有效性。

    Nov, 2019

  • 当 SAM 遇见阴影探测

    该研究报告使用可提醒的通用物体分割模型（segment anything model，SAM）在一个未被发掘的流行任务中 —— 阴影检测中进行测试，不满意的实验结果表明 SAM 在此任务方面表现不佳。

    May, 2023

  • 检测任意阴影：视频阴影检测中的物体分割

    本研究使用少量的用户协助，利用阴影数据和稀疏提示对 Segment anything model 进行微调，再结合长短期注意机制扩展其能力，使其可以用于视频阴影检测，与现有技术相比，实验结果表明，该方法在 MAE 和 IoU 方面分别提高 17.2% 和 3.3%，验证了我们提出方法的有效性。

    May, 2023

  • 基于结构化深度边缘检测的影子优化

    本文提出了一种基于 CNN 学习的阴影区域恢复框架，利用阴影边缘的本地结构和图像区域的复杂交互来计算阴影 / 明亮度量，进而通过最小二乘优化问题进行阴影恢复，实现了在不同条件下收集的主要阴影基准数据库上的最先进结果。

    May, 2015

  • 学习阴影对应以进行视频阴影检测

    介绍了一个新的视频阴影检测方法 SC-Cor，通过加强阴影区域的像素级相似性来提高帧之间的一致性，并且不需要强制对应标签。此外，该方法考虑了阴影区域内部的可分离性，易于与现有算法集成，且实验结果表明其性能比先前的最优方法更好。

    Jul, 2022

  • SAM 帮助 Shadow：当分割模型遇上阴影去除

    本文介绍了一种创新的方法 SAM-helps-Shadow，将分割模型 SAM 用于影子去除，利用零样本学习提高模型在实际场景中的适用性，使用二阶深度展开网络实现影子去除，提高了阴影检测的准确性和效率。

    Jun, 2023

  • 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