CVPRMay, 2021

基于深度多尺度层叠网络的单张图片快速浅景深渲染

PDF
TL;DR本文利用端到端 Deep Multi-Scale Hierarchical Network (DMSHN) 模型对单眼相机拍摄的图片进行了 Bokeh 效果的直接渲染。通过提出一个堆叠的 DMSHN 模型来进一步改善效果，避免在中等配置设备上运行时参数过多、运行时间过长等问题。该模型在使用较小的运行时间处理高清晰度图像时能够获得大规模 EBB! 数据集上的最新成果。
发现论文，激发创造
  • 深度感知平滑图像混合用于浅景深效果生成

    本论文提出了一种基于端到端深度学习框架的方法，通过单眼景深估计网络将原始图像和不同版本的平滑图像混合以生成高质量的浅景深照片，该方法在 AIM 2019 咀嚼效应挑战赛感知跟踪中排名第二。

    May, 2020

  • 使用深度学习生成自然相机的景深效果

    本文提出了从 DSLR 相机制作模糊背景效果的深度学习模型，并使用大规模图像数据集进行训练。通过实验证明，该模型能够生成非均匀玻璃散射现象，即使输入数据复杂。

    Jun, 2020

  • Bokeh-Loss GAN：逼真且边缘感知的虚化多阶段对抗训练

    本研究提出了基于网络的方法，利用预测的单眼深度图和三种新的边缘感知 Bokeh 损失，以生成逼真的单眼 Bokeh 效果，并使用对抗性损失进行微调，实验结果表明，我们的方法能够处理复杂场景，产生锐利边缘而自然的 Bokeh 效果。

    Aug, 2022

  • BGGAN: Bokeh-Glass 生成对抗网络 用于渲染逼真的 Bokeh

    本文提出一种名为 Glass-Net 的生成器，利用 GAN 和感知损失结合进行模型的 finetuning，同时重新实现了 Instance Normalization，通过在智能手机 GPU 上加速 tflite 模型，能在所有智能手机芯片上每秒处理一张 1024x1536 像素的高质量 bokeh 图像，且该方法在 AIM 2020 排名第一。

    Nov, 2020

  • 深度堆叠分层多补丁网络用于图像去模糊

    提出一种深度分层多块网络方法解决运动模糊的问题，该方法在处理 720p 图像时拥有 40 倍的加速，是首个实时的深度运动去模糊模型，并且在不同深度下适用于不同的应用场景，可以有效地避免性能饱和问题。

    Apr, 2019

  • 适应性基于蒙版金字塔网络的逼真景深渲染

    本篇论文提出 Adaptive Mask-based Pyramid Network (AMPN)，该网络包含了 Mask-Guided Bokeh Generator (MGBG) block 和 Laplacian Pyramid Refinement (LPR) block 两个快速轻量级的子网络，可基于用户可编辑的遮罩，快速生成高质量的 bokeh 效果。

    Oct, 2022

  • DeepLens：从单幅图像产生浅景深

    使用深度学习算法和手机拍摄的 RGB-D 数据集改进图像升采样、边界预测和景深控制，从而实现了单张图像高分辨率景深浅化处理。与双镜头深度相机 iPhone 模式相比，该方法在景深控制和光圈大小选择方面更加灵活，且生成的图像质量较好。

    Oct, 2018

  • D2HNet: 面向夜间图像恢复的分层网络联合去噪和去模糊

    本研究提出了基于深度学习的夜间图像融合和增强方法，使用 D2HNet 架构可从多张不同曝光时间的照片中恢复出一张高质量、清晰无噪的夜间图像。经实验证明，在真实拍摄的夜景照片上，该方法可获得极佳的视觉效果和量化分数。

    Jul, 2022

  • AIM 2020 渲染现实晕影挑战赛

    本文回顾了第二届 AIM 逼真的浅景深效果渲染挑战，并提供所提出的解决方案和结果的描述。参与团队通过学习大规模数据集，成功实现了只基于一个框架的实时计算和感知质量较高的浅景深效果渲染，将该领域的实际应用推向了新的高度。

    Nov, 2020

  • 当神经渲染遇上经典渲染：BokehMe

    BokehMe 是一种混合 bokeh 渲染框架，使用神经渲染器和经典物理驱动渲染器相结合，可以生成高分辨率的逼真 bokeh 效果，并提出了一种能够计算误差图的公式，实现了经典渲染器和一个两阶段神经渲染器联合起来矫正渲染误差。

    Jun, 2022