Sep, 2020

辅助照明的对抗图像合成

HTML
PDF
TL;DR本篇论文提出了一种通过考虑前景目标在合成图像中所投射的潜在阴影的方法，采用 Adversarial Image Composition Net (AIC-Net) 生成阴影和前景样式的转移，利用可微分的空间变换模块实现对局部和全局的协同优化，从而实现了高逼真度的图像合成。
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

  • 组合生成对抗网络：学习图像条件下的二元组合

    本文提出 Composition-by-Decomposition 网络，采用两个独立分布的物体生成具有真实纹理和形状的合成图像，以此捕捉多物体之间的空间相互作用关系，从而在生成场景方面获得更好的效果。

    Jul, 2018

  • 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

  • 图像生成的空间融合生成对抗网络

    该论文提出了一种创新的空间融合 GAN（SF-GAN），它结合了几何合成器和外观合成器，以在几何和外观空间中实现综合的逼真性。两个综合器彼此相互连接，可以进行端到端训练，无需监督。SF-GAN已在两个任务中进行了评估，定性和定量比较证明了该方法的优越性。

    Dec, 2018

  • 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

  • BachGAN: 从显著物体布局高分辨率合成图像

    本文引入了一项新任务，目的是从显著性物体布局中生成高分辨率图像。为此，提出了一种名为 BachGAN 的背景幻觉生成对抗网络，通过选择候选池中的分割图，融合相应的背景后，动态地生成幻觉背景。实验结果表明 BachGAN 在像素保真度和视觉对齐性方面优于现有方法。

    Mar, 2020

  • 现实场景中复合图像的阴影生成

    本论文针对复合图像生成中前景物体与背景的阴影效果问题，提出了一个新的阴影生成方法SGRNet，并构建了一个真实世界阴影生成数据集DESOBA来验证该方法的有效性。

    Apr, 2021

  • 将确定性融入随机性：重新思考用于深度图像抠图的组合样式

    本文研究了深度图像抠图中的组合风格，介绍了一种新型的组合风格，使得在控制实验中取得了比已有方法更好的效果，并在合成和真实数据集上持续改进了性能表现。

    Dec, 2022

  • 画家式图像融合通过敌对残差学习

    我们使用对抗学习来弥合前景特征图和背景特征图之间的领域差异，实现了更和谐、视觉上更具吸引力的结果。

    Nov, 2023

  • DepGAN：利用深度图处理图像合成中的遮挡和透明性

    利用深度图和阿尔法通道修正不准确的遮挡和增强图像合成中的透明效果，DepGAN在对象的位置语义准确性、透明度和遮挡处理方面明显优于现有的方法。

    Jul, 2024