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
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。
Mar, 2019
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
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
本文提出了一种名为 EnlightenGAN 的高效的非监督生成对抗网络,采用了无配对的训练数据来提高低光图像的质量,通过全局局部鉴别器结构,自我规范化的知觉损失融合和注意机制等方法,在不同种类的图像测试中表现优于其他方法。
Jun, 2019
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
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
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
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