ICCVAug, 2021

CANet: 用于阴影去除的上下文感知网络

PDF
TL;DR本文提出了一种新的两阶段上下文感知网络（CANet）用于阴影去除，其中非阴影区域的上下文信息被转移到嵌入式特征空间中的阴影区域，通过重构特征图实现分别在 L 和 A/B 通道上移除阴影，并提出了一种编码器 - 解码器来优化当前结果，实验结果表明了该方法在两个基准数据集和一些复杂场景的实际阴影图像上的优越性能。
context-aware networkshadow removalcontextual feature transferencoder-decoderbenchmark datasets
发现论文，激发创造
  • CNSNet: 一种用于影子去除的清洁导向影子网络

    提出了一种基于 CNN 的另类解决方案，即 CNSNet，通过 SOAN 模块和 SAAT 模块中的阴影掩模来引导阴影区域的修复，并取得了超越三个基准数据集的阴影去除效果。

    Sep, 2022

  • 基于方向感知的空间背景特征用于阴影检测和去除

    本文提出了一种基于深度神经网络和方向感知注意机制的阴影检测和去除方法，并提供了相应的实验和对比结果。

    May, 2018

  • CANet：带有迭代精化和关注少样本学习的类别无关分割网络

    本文提出 CANet，一种无类别限制的语义分割网络，可以在只有少量标注图像的情况下用于新类别的分割，网络采用两个分支的密集比较模块进行多层特征比较，并采用迭代优化模块进行预测结果的迭代优化，并引入注意机制来对 k-shot 学习中的多个支持样本信息进行有效融合，实验结果在 PASCAL VOC 2012 数据集上表明，在 1-shot 和 5-shot 分割中取得 55.4％和 57.1％的平均 IoU 分数，分别比现有最佳方法高出 14.6％和 13.2％。

    Mar, 2019

  • 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

  • 面向方向的空间上下文特征在阴影检测中的应用

    本文提出了一种基于空间递归神经网络（RNN）的方向感知注意机制的阴影检测新网络，该网络将方向感知空间上下文特征聚合到 RNN 中，通过学习来恢复方向感知空间上下文（DSC），并将其嵌入到卷积神经网络（CNN）中，以学习不同层次的 DSC 特征。该网络在实验中表现出比现有方法更好的性能。

    Dec, 2017

  • PiCANet：学习像素级的背景上下文注意力进行显著性检测

    本文提出了一种像素级的上下文注意力网络 ——PiCANet，旨在学习选择性地注意每个像素的信息上下文位置，通过全局和局部形式，构建所关注的上下文特征，与 U-Net 结构相结合，可以准确且均匀地检测显著对象，在显著性检测性能方面表现优异。

    Aug, 2017

  • 上下文注意力网络用于骨架提取

    本文提出了一种基于上下文信息并采用 UNet 结构的注意力模型 CANet 来提取轮廓骨架像素，同时采用距离变换和加权重点损失等技术来取得优秀的结果，并在 Pixel SkelNetOn 竞赛中获得了第一名。

    May, 2022

  • 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

  • PiCANet：基于像素级上下文注意力学习的精确显著性检测

    本文提出了一个名为 PiCANet 的新型像素级上下文关注网络，通过对上下文区域的关注权重进行学习，选择性地融合有用的上下文特征，最终应用于显著性检测、语义分割和物体检测等领域，相对于其他同类方法性能有显著的提升。

    Dec, 2018

  • 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