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

本论文针对复合图像生成中前景物体与背景的阴影效果问题，提出了一个新的阴影生成方法 SGRNet，并构建了一个真实世界阴影生成数据集 DESOBA 来验证该方法的有效性。

Apr, 2021

通过使用自然阴影图像基础模型以及强制调制模块，此研究通过相关数据集的实验证明了提出的阴影生成模型在图像合成领域具有卓越的性能。

Mar, 2024

在这篇研究报告中，我们提出了一个全新的问题，即实例阴影检测。为了解决这个问题，我们制作了一个名为 SOBA 的新数据集，设计了一个名为 LISA 的端到端框架来自动预测阴影和对象实例，并配对它们生成最终结果，并且我们还开发了一种新的评估度量标准来衡量我们的结果性能。此外，我们还进行了各种实验，并展示了我们的方法在光线方向估计和照片编辑上的适用性。

Nov, 2019

该研究介绍了一个由 NVIDIA 深度学习数据合成器生成的新的、可公开获取的图像数据集，用于目标检测、姿势估计和跟踪应用。该数据集包含 144k 个立体图像对，将三个真实环境中的 18 个相机视角合成，其中实验对象包括最多 10 个随机选择的物体和飞行干扰器。

Aug, 2020

我们引入了 Stanford-ORB，一个新的真实世界的 3D 物体逆向渲染基准。我们通过提供一个新的真实世界的数据集，并使用该数据集建立了首个全面的真实世界评估基准，评估对象逆向渲染任务在野外场景的性能，并比较了各种现有方法的表现。

Oct, 2023

本文主要介绍了在图像合成中，如何通过构建一个目标位置评估数据集以及提出一个简单而有效的基线模型，来验证通过在合成图像中插入目标的可行性。

Jul, 2021

通过构建真实世界数据集，本文介绍了用于测量物体重建和渲染以实现换灯效果的方法，通过在多个环境中捕捉环境光照和真实图像，可以从一个环境中的图像重建物体，并对未见过的照明环境对渲染视图的质量进行定量分析，并通过对比基线方法和最新方法的测试结果，显示出新视点合成不能可靠地衡量性能。

Jan, 2024

OpenIllumination 是一个包含 108k 多个图像的真实世界数据集，其中包括 64 个对象，具有不同的材料，在 72 个摄像机视图和大量不同的光照条件下捕获。我们提供了数据集中每个图像的准确相机参数、光照真值和前景分割掩码。该数据集可以对大多数反渲染和材料分解方法进行定量评估，并对数据集上的几种先进的反渲染方法进行了比较。数据集和代码可以在项目页面上找到：this https URL

Sep, 2023

提出了一种创造大规模室内场景的照片级真实数据集的新框架，可提供外观、布局、语义标签、高质量变化自由的 BRDF 和复杂照明等显著真实的基准数据，可用于逆向渲染、场景理解和机器人学，与物理引擎结合可创建具有摩擦系数等真实场景对应关系的虚拟机器人环境。

Jul, 2020