现实场景中复合图像的阴影生成
本文研究了图像合成中生成真实阴影以使合成图像更逼真的问题。作者通过使用物体阴影检测和修复技术创建了一个名为 DESOBAv2 的大规模数据集,其中包含了大量的室外场景图像和物体阴影对。在真实图像和去除阴影图像的基础上,可以构建合成图像和目标图像对。
Aug, 2023
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
本文聚焦于为前景图像插入逼真的阴影以使合成图更具真实性,通过 3D 渲染技术创建了大规模数据集 RdSOBA,其中包括可控渲染技术下的阴影图像。
Jun, 2023
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
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
Jan, 2021
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
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
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
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