深度视频融合中的颜色映射一致性
该研究提出了一种新的视频着色框架,它将语义对应引入自动视频着色中以保持长程一致性,通过自动着色参考图像来监督整个着色过程,并且引入了语义对应网络和图像着色网络以保持临近帧和长期帧的时间一致性,实验证明该方法在维持时序一致性方面优于其他方法。
May, 2023
图像协调的目标是调整复合图像中前景的外观,使整个图像协调一致。我们通过探索可学习的增强方法,丰富小规模数据集的光照多样性,以提升协调性能。实验表明,我们提出的可学习增强方法对图像协调具有有效性。
Aug, 2023
该论文提出了一种用于图像融合的端到端深度卷积神经网络,通过收集大规模高质量的训练数据,能够更好地捕捉复合图像的背景和前景的上下文和语义信息,实验表明,所提出的网络优于以往的方法。
Feb, 2017
该论文介绍一种名为 iHarmony4 的图像和谐数据集,以解决图像合成和谐化的挑战。该数据集基于现有的 COCO、Adobe5k、day2night 等数据集,并增加了 Flicks 图像以丰富数据样本。
Aug, 2019
给定一个复合图像,图像协调旨在调整前景照明与背景一致。我们展示了使用全局信息指导前景特征转换可获得显着改善,并将前景 - 背景关系从真实图像转移到复合图像,为转换的编码器特征提供中间监督。此外,我们贡献了一个模拟自然照明变化的 ccHarmony 数据集。对 iHarmony4 和我们贡献的数据集进行了大量实验证明了我们方法的优越性。
Aug, 2023
本文研究了基于双色彩空间的图像协调方法,将混合的 RGB 特征与解开的 Lab 特征相结合,减轻协调过程中的负担。网络包括一个 RGB 协调主干,一个 Lab 编码模块和一个 Lab 控制模块。
Aug, 2023
通过使用预先训练的分类网络,提出了一种新的体系结构来利用高级特征空间以实现图像和谐的目的,并在图像和谐基准测试中取得了 MSE 和 PSNR 指标的最新成果。
Jun, 2020
本研究介绍了一种在内在图像领域中制定的自我监督照明协调方法,通过估计中级视觉表征生成的大体阴影,再通过网络对其进行修正以生成与背景场景一致的协调再阴影,结合先前协调方法的思想,在色调域中执行参数化图像编辑,实现前景与背景的颜色外观匹配,并通过挑战性实际复合结果和用户研究验证我们方法的有效性和与最先进的协调方法相比增强的真实感。
Dec, 2023
本研究提出了一种高分辨率图像融合网络,其中结合了像素到像素变换和 RGB 到 RGB 变换,通过低分辨率像素生成器、颜色映射模块和细化模块进行协同工作,旨在解决高分辨率图像合成中的多个问题,且效果明显。
Sep, 2021
提出了首个端到端网络来完成基于示例的视频着色,在保持参考风格的同时实现了时间上的一致性。通过引入循环框架来统一语义对应和颜色传递步骤,利用提供的参考图像来引导每一帧的着色,减少了积累的传播误差,并通过时间一致性损失进一步强制协同着色历史,最终生成稳定性良好且逼真的视频,实验表明,与现有技术相比,在定量和定性方面都具备优越性。
Jun, 2019