利用三维合成数据实现人像眼镜和阴影消除
使用基于 3D 人脸模型和 3D 眼镜的虚拟合成方法,为眼镜脸图像数据集提供高保真度的数据集,并使用深度学习方法对其进行训练,从而在提高识别性能方面表现出更好的效果。
Jun, 2018
本文提出了一种名为 Eyeglasses Removal Generative Adversarial Network (ERGAN) 的统一眼镜去除模型,它能够处理野外环境中的各种眼镜类型,为面部识别、面部表情识别等多种应用提供了前处理方法。
Sep, 2019
本文提出了一种名为 ByeGlassesGAN 的基于图像对图像的 GAN 框架,可自动检测眼镜位置并从人脸图像中去除眼镜,实验结果表明该方法在处理透明颜色眼镜或有光斑的眼镜时能够提供视觉上令人满意的去镜人脸图像,并且在人脸识别实验中应用该方法作为预处理步骤,可提高戴眼镜人脸图像的识别准确率。
Aug, 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
通过使用弱监督方法和合成数据,本研究展示了基于扩散的生成模型在局部视频编辑任务上的优越性,特别是在眼镜去除方面,为局部属性编辑提供了有力支持。
Jun, 2024
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
提出一种以用户为中心的快速、交互式、强大和高质量的阴影去除方法,采用基于动态学习的检测方法及前沿用户指导的笔记,并采用归一化框架来实现阴影去除。此外,该论文还提供了第一个验证的和多场景类别的真实数据集,以及阴影去除算法的最全面比较和在线数据集的平台。
Aug, 2016