AAAINov, 2019

使用生成对抗网络探索残差和光照进行阴影去除的 RIS-GAN

PDF
TL;DR本文提出了一种使用生成对抗网络来探索残留图像和亮度估计的 RIS-GAN 框架，以粗到细的方式生成间接阴影去除图像，其通过三个鉴别器来检测负残留图像、阴影去除图像和反向亮度图的真假，实验表明该方法在阴影去除上表现优异而且无需特定的阴影感知组件。
residual imagesillumination estimationgenerative adversarial networksshadow removalcoarse-to-fine
发现论文，激发创造
  • 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

  • ARGAN: 放置注意力的递归生成对抗网络，用于阴影检测和去除

    本文提出了一种基于 Attention 机制和生成对抗网络的影像去阴影网络 (ARGAN), 通过训练得到 ARGAN 模型，可以对含有简单或复杂阴影的图片进行处理，去除阴影获得更加逼真的图片。

    Aug, 2019

  • 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

  • 逐步递归网络用于阴影去除

    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

  • 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

  • 多光源色彩恒常性的条件 GAN：革命还是又一种方法？

    利用基于图像条件生成对抗网络的生成式端到端算法，重新看待了光照条件下的非均匀和多光源色彩恒常性问题，成功地消除了阴影和光照的影响，并提供了一个新的方法来检测和消除阴影，同时提供了一个由约 6000 对合成图像组成的阴影消除数据集，解决了数据的缺陷。

    Nov, 2018

  • 基于物理的阴影图像分解技术用于去除阴影

    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

  • 通过阴影图像分解实现阴影去除

    本研究提出了一种基于深度学习的去除影子方法，通过线性照明转换模拟影子的形成，使用 SP-Net 和 M-Net 网络分别预测影子的参数和阴影掩层，通过在 ISTD 数据集上训练，相比其他方法取得了 40％的错误率降低并使用扩充的 ISTD 数据集进一步优化了效果。

    Aug, 2019

  • 针对 3D 脑部 MRI 超分辨率的增强生成对抗网络

    该研究开发了一种新的残差 - 残差稠密块发生器 (RRDG) 来解决基于 GAN 的三维 SISR，并提出了一种改进收敛行为的 Patch GAN 鉴别器来更好地建模脑图像纹理，并提出了一种新颖的解剖学保真度评估方法，这些开发通过一种简单，高效的方法结合起来，以实现影像和质地质量之间的平衡。

    Jul, 2019