从阴影分割到阴影去除
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
本文提出一种名为阴影自适应对抗攻击的新方法,通过根据阴影图像中不同区域的像素强度调整攻击预算,实现对阴影区域噪声更不可察觉,对非阴影区域扰动更具容忍度,结合该方法对现有阴影去除方法进行全面实证评估。
Mar, 2024
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
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
提出一种以用户为中心的快速、交互式、强大和高质量的阴影去除方法,采用基于动态学习的检测方法及前沿用户指导的笔记,并采用归一化框架来实现阴影去除。此外,该论文还提供了第一个验证的和多场景类别的真实数据集,以及阴影去除算法的最全面比较和在线数据集的平台。
Aug, 2016
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
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
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