人像阴影处理
这篇论文提出了一种新方法,通过使用虚拟光源阵列来生成数据集,以代替使用高昂的专用抓取设备,从而实现高质量人像重新照明,同时保持真实感和物理上的一致性。
Sep, 2022
本文提出了一种方法,在不修改深度神经网络本身的结构下,通过半合成图像增加深度学习模型对于姿势和光照变化的适应能力,从而提升了现代人脸识别系统在具有挑战性的 IJB-A 数据集上的识别性能。
Apr, 2017
本研究介绍了第一个基于深度学习的方法,用于去除自由拍摄的广角人像照片中的透视失真和形变等因素,建立了一个包括 LineNet,ShapeNet 和 transition module(TM)的级联网络,并提出了两个新的度量标准:线条一致性和面部一致性,相比之前的最先进方法,本方法不需要相机失真参数,能够在身份、场景和相机模块的大多数多样性方面得到较好的性能。
Apr, 2021
本文提出了一种新的框架,以检测和去除肖像图像中眼镜及其产生的阴影,通过使用合成肖像数据集,并应用跨域技术,该方法为第一种同时去除眼镜和阴影的技术。
Mar, 2022
本文提出了一种带有多个光度级别图像的 Brightness-Variation 数据集,通过实验发现 Deep Neural Network 的性能易受光照变化的影响,并评估了几种鲁棒性训练技术的效果。
May, 2023
我们开发了一种个性化视频照明算法,在任何姿势、表情和照明条件下实时生成高质量和时间一致的照亮视频。通过随意捕捉用户在监视器上观看 YouTube 视频的视频,我们展示了可以训练一种个性化算法,能够在任何条件下产生高质量的照明。我们的关键贡献是一种新颖的神经照明架构,能够有效地将内在的外观特征、几何和反射从源照明中分离出来,并将其与目标照明结合起来生成一个照亮图像。这种神经架构能够平滑内在的外观特征,从而实现时间稳定的视频照明。定性和定量评估表明,我们的照明架构在随意捕捉的 Light Stage at Your Desk(LSYD)数据和一次只捕捉一个光的 Light Stage (OLAT) 数据集上,比最先进的方法改进了肖像图像的照明质量和时间一致性。
Nov, 2023
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
提出一种基于学习的光扩散方法来改善肖像照片的照明,使得整个场景的光照得以保留,同时柔化过于强烈的阴影和高光,并设计一种方法来生成逼真的外部阴影。最终实现提高高级视觉应用程序如反照率估计、几何估计和语义分割的鲁棒性。
May, 2023
本篇论文提出了一个基于深度学习的图像纠正技术,能够有效去除近距离人像照片中透视失真等伪像,同时还能自动推断遮挡的面部特征,该方法不需要先配合三维面部模型,并且可以显著提高人脸识别和三维重建的准确度,实现单幅肖像图像的相机标定。
May, 2019