Jan, 2021

使用合成阴影进行阴影检测和消除的学习

PDF
TL;DR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
shadow removalconvolutional neural networkssynthetic datasetphysically-grounded shadow illumination modelfine-tuning
发现论文，激发创造
  • 从阴影分割到阴影去除

    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

  • 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

  • Mask-ShadowGAN: 学习从非成对数据中去除阴影

    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

  • 通过阴影图像分解实现阴影去除

    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

  • 基于物理的阴影图像分解技术用于去除阴影

    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

  • 从阴影生成到阴影去除

    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

  • 三元协同视频阴影检测

    本文介绍了一个用于动态场景下阴影检测的新视频数据集 ViSha，并在此基础上开发了一种新型模型 TVSD-Net，该模型通过三个并行网络的协同学习来提高单一视频和不同视频之间的判别表示，以及利用辅助相似性损失来挖掘不同视频之间的语义信息。实验表明，该模型在阴影检测方面优于 SOTA 竞争对手。

    Mar, 2021

  • 利用三维合成数据实现人像眼镜和阴影消除

    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

  • 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

  • ShadowRemovalNet: 高效实时阴影去除

    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