CVPRMar, 2021

从阴影生成到阴影去除

PDF
TL;DR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。
shadow removalcomputer-visiong2r-shadownetweakly-supervisedend-to-end
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

  • 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

  • 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

  • 使用无监督域分类器引导网络进行单图硬阴影和软阴影去除的 DC-ShadowNet

    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

  • 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

  • ShadowFormer：利用全局上下文提升图像去阴影效果

    该研究提出了一种 Retinex-based 阴影模型和 ShadowFormer 转换器网络，通过多尺度通道的注意机制和 Shadow-Interaction Module 中的 Shadow-Interaction Attention 对阴影和非阴影区域之间的全局联系进行建模。经验证，该方法在三个常用的公共数据集中实现了最先进的性能。

    Feb, 2023

  • 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

  • 逐步递归网络用于阴影去除

    单幅图像阴影去除是一个重要的任务，我们提出了一种简单而有效的渐进循环网络（PRNet）来逐步去除阴影，并在阴影特征提取和渐进阴影去除两个部分中使用 PRNet，从而在性能和时间之间取得平衡。实验证明，我们的方法可以有效去除阴影并取得卓越性能。

    Nov, 2023

  • 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

  • S3R-Net：自监督的单阶段自动去除阴影方法

    本文介绍了 S3R-Net，一种自监督阴影去除网络，利用双分支 WGAN 模型实现自监督，并通过数据库中未对齐的无阴影参考图像推断输出数据的特征。与大部分有监督框架和少数现有的循环一致性自监督模型不同，S3R-Net 是单向、非循环的解决方案，同时在保持计算成本低的同时实现了与最新的自监督阴影去除模型相当的数值得分和更好的定性性能。

    Apr, 2024