CVPRAug, 2020

层次分解方法学习穿透障碍物

PDF
TL;DR我们提出了一种基于学习的方法来消除从移动相机拍摄的短序列图像中的不需要的干扰物，例如窗户反射，栅栏遮挡或附着的雨滴。我们的方法利用背景和阻挡元素之间的运动差异来恢复两个图层，并在估计两个层的密集光流场和通过深度卷积神经网络从流场变形的图像重建每个层之间进行交替。通过学习的重建模块有助于适应流量估计和脆弱假设（例如亮度一致性）中的潜在错误。我们显示，该方法在从合成数据中学习后对真实图像具有很好的表现。在许多具有挑战性的反射和围栏移除情况下进行的实验结果证明了该方法的有效性。
unwanted obstructionsmoving cameradense optical flow fieldsconvolutional neural networksynthetically generated data
发现论文，激发创造
  • 透过障碍物学习看见

    本论文利用基于深度学习的方法，通过估计光流场并使用卷积神经网络，从短序列图像中去除窗户反射、栅栏遮挡和雨滴等干扰因素。该方法能够处理一些错误和脆弱假设，并在多个具有挑战性的场景中表现出不错的效果。

    Apr, 2020

  • 基于深度分解合成网络的快速单张图像去雨

    本文设计了一种新的多任务深度学习体系结构，通过分解网络将雨图像分为干净的背景和雨层，进而进行去雨处理和图像恢复。实验结果表明，该结构在速度快、效果好方面表现优秀，同时具有广泛的应用前景。

    Apr, 2018

  • 基于深度学习的图像围栏分割与去除方法 —— 以视频序列为例

    提出了一种基于遮挡感知光流方法的图像去护栏算法，通过将图像去护栏问题划分为从单个图像自动分割栅栏，估计已知遮挡下的运动和来自捕获视频多帧的数据融合等任务，使用预训练的卷积神经网络在单个图像中分割栅栏像素，并为最终数据融合步骤在视频的遮挡帧中估计光流。通过模拟退火算法将去护栏问题建模为优化框架，反问题使用快速迭代收缩阈值算法（FISTA）解决，实验结果表明了该算法的有效性。

    Sep, 2016

  • 可控制的注意力结构分层视频分解

    本文介绍了一种新的结构神经网络体系结构，能够将视频分解成自然层，并控制关注哪些分离的层，同时演示了该方法的有效性和使用情况，如去除反射和在杂乱场景中的动作识别。

    Oct, 2019

  • 透明或反射场景下双层图像的稳健光流估计

    本文提出了一种在两个帧图像中估算光流的方法，解决了透明或反射图像层次结构的亮度恒定约束问题，并成功地在合成数据和真实图像上进行了实验验证。

    May, 2016

  • 从单张图像中预测多层深度：揭示物体背后的景深信息

    该论文提出了一种基于卷积神经网络的方法，通过预测包含被前景遮挡区域信息的分层深度图像和前景分离掩模来合成场景和填补遮挡的空白，用于虚拟现实和减弱现实领域的单幅图像的新视点合成。

    Jul, 2018

  • 单张图像反射消除和图像平滑通用深度架构

    本文提出了一种深度神经网络结构，利用边缘信息解决图像分割和图像滤波等代表性的低级视觉任务，通过估计边缘和重建图像，采用级联卷积层排列的方法解决这些具有挑战性的问题，而无需使用专门的手工或应用程序特定的图像处理组件，并将得到的可转移管道应用于两个对边缘敏感的问题领域，单张图像反射去除和图像平滑。

    Aug, 2017

  • 基于多层框架的自由移动相机在线背景减除

    针对移动拍摄视频中背景难以识别的问题，本文提出了一种基于多层结构的在线背景减除算法框架，将多前景物体建模并赋予拥有独立处理层，同时采用贝叶斯滤波框架推断概率图，并用马尔科夫随机场上的多标签图割算法进行像素级分割，取得了优于现有技术的结果。

    Sep, 2017

  • 深度混合真实和合成训练用于内在分解

    该论文提出使用深度卷积神经网络解决困难的内在图像分解问题，通过对真实图像和合成图像模型的混合训练，以及引入 Bilateral Solver 层，进一步改进结果，实现了对各种数据集包括真实世界场景的不同光照图像的理想产出。

    Jul, 2018

  • DeOccNet：在光场中学习看穿前景遮挡物

    本研究提出了一种基于深度编码器 - 解码器网络的光场深度去遮挡算法，结合子孔径图像中的空间和角度信息，实现了对光场相机成像过程中遮挡表面的还原。实验结果表明，该方法明显优于目前其他同类算法。

    Dec, 2019