Feb, 2021

Sill-Net：借助独立照明表示进行特征增强

PDF
TL;DR本文提出了一种名为 Sill-Net 的神经网络架构，用于在训练过程中将光照特征从图像中分离出来，然后在特征空间中增强训练样本，并在多个目标分类基准测试中超越了当前最先进的方法。
visual object recognitionneural network architectureseparating-illumination networkillumination variationsobject classification benchmarks
发现论文，激发创造
  • 自动光谱恢复

    我们研发了一个深度学习网络，用于在各种照明条件下估算高光谱图像的照明光谱，并开发了一个数据集 IllumNet 来支持其研究，采用 ResNet18 网络和 3D 内核来适应光谱数据，并使用立方平滑样条误差成本函数平滑预测的照明光谱，实验结果表明该模型可以精确输入照明光谱。

    May, 2023

  • SfSNet: 野外人脸形状、反射率和照明学习

    SfSNet 是一个人脸图像分解的端到端学习框架，通过混合合成标签和未标记真实世界图像进行学习，可以预测照明，从而实现形状、反射率和光照的精确分解。

    Dec, 2017

  • ClassLIE：面向低光图像增强的结构和光照自适应分类模型

    本文提出了一种结合 CNN 和 transformers 的新型框架 ClassLIE，通过综合和区域化的方式对低光图像中的结构和光照信息进行分类和自适应学习，从而显示出更好的增强性能。实验证明，ClassLIE 在五个基准数据集上达到了最先进的表现，LOL 数据集上的 PSNR 和 SSIM 分别为 25.74 和 0.92。

    Dec, 2023

  • 基于 DNN 模型的独立传感器光照估计

    该论文提出了一种新颖的传感器无关光源估计框架，通过学习传感器无关的工作空间来解决为每种类型的相机传感器训练单独的深度神经网络模型的问题。

    Dec, 2019

  • 从内部参数估计空间变化的室外照明

    该研究介绍了一种名为 SOLID-Net 的神经网络用于从单个室外图像估计不同位置的室外光照。该方法使用一个全局天空环境图和图像中的几何信息，生成了可变的局部光照环境图，利用其进行了全局和局部的光照估计，并且利用全球物理上合理的数据集，证明其性能优于之前的方法。

    Apr, 2021

  • 低光图像鲜明物体检测中的图像增强探索

    本文提出了一种基于物理光照模型的图像增强方法，以便在低光照图像中便于显着物体检测，并使用 Non-Local-Block 层来捕捉物体与其邻域的差异，最终在 4 个公共数据集和自己构建的数据集中取得了有前景的结果。

    Jul, 2020

  • 数据增强中的泛化鸿沟：来自光照的洞见

    通过模拟分布退化，探究数据增强对模型性能的提升作用，研究发现数据增强方法显著改善了模型的性能，但仍存在明显的泛化差距，强调训练集中的特征多样性对于增强模型泛化能力的关键作用。

    Apr, 2024

  • SilNet：通过学习轮廓重建单视角和多视角场景

    本文介绍了一种全卷积深度学习网络和新的损失函数 SilNet，可处理多视角的三维形状，并通过利用预测二维轮廓代替直接从二维图像到三维形状的映射，实现了对对象数量的有效推广以及性能的进一步提升。同时，作者还介绍了一个用于预训练的斑点图像数据集和一个具有挑战性和现实主义的雕塑数据集，并在这些数据集上证明，SilNet 确实学习了三维形状，并超越了 ShapeNet 数据集上的现有方法。

    Nov, 2017

  • 自适应光照人员重识别

    本文提出了 “IA-ReID”（Illumination-Adaptive Person Re-identification）这一针对不同照明条件下进行人物图像重识别的问题的解决方案，即采用 “IID”（Illumination-Identity Disentanglement）网络来解决不同照明下个体身份信息的丢失问题，并通过构建两个大规模模拟数据集和测试真实世界的图像来验证该方案的有效性。

    May, 2019

  • 学习一个卷积层模型以进行低光图像增强

    本文介绍了一种在低亮度条件下进行图像增强的轻量级神经网络，提出了全局低光强度增强和局部自适应校正的方法来解决不同图像区域的曝光问题，实验结果表明该方法在客观指标和主观视觉效果方面都表现出色。

    May, 2023