Jul, 2023

基于点云表示的内在外貌分解

PDF
TL;DR使用点云表示方法，我们提出了 Point Intrinsic Net (PoInt-Net)，通过联合预测反射率、光源方向和阴影，解决了困扰人们很久的内在分解问题。实验证明了 PoInt-Net 在准确性方面优于 2D 表示方法，并且在小规模和任意规模点云上表现稳定，在单个物体级别数据集上进行训练具有合理的泛化能力，适用于未见过的物体和场景。
intrinsic decompositionpoint cloudalbedolight source directionshading
发现论文，激发创造
  • ShadingNet: 细粒度阴影分解的图像内在参数

    提出了一种使用深度卷积神经网络对遮蔽组分进行分解，从而区分强光学效应与反射变化的方法，并在大规模实验中证明了其优越性。

    Dec, 2019

  • 基于序数着色的内在图像分解

    本研究通过将问题分解成两个部分来实现高分辨率的内部分解，首先使用平移和尺度不变损失设计了一种密集的序数阴影公式，然后结合低分辨率和高分辨率的序数估计利用第二个网络生成具有全局连贯性和局部细节的阴影估计，最后通过多光照数据和预测的模型生成密集的伪地面真值来定量和定性分析我们的预测内部成分，并展示了我们估计的实际应用性。

    Nov, 2023

  • 单张图像内在图像分解的无监督学习

    本文提出了一种新颖的无监督内在图像分解框架，不依赖于标记的训练数据和手工制作的先验。通过探索反射和阴影之间的独立性、域不变内容约束和物理约束，直接从无监督和不相关的数据中学习反射和阴影的潜在特征。在合成和实际图像数据集上的广泛实验表明，所提出的方法具有一致的卓越性能。

    Nov, 2019

  • INPC：用于辐射场渲染的隐式神经点云

    我们介绍了一种新的方法，用于无界现实世界场景的重建和新视角合成。与以前使用体积场、基于网格的模型或离散点云代理的方法不同，我们提出了一种混合场景表示，它在连续的八叉树概率场和多分辨率哈希网格中隐式编码点云。通过这样做，我们结合了两个世界的优势，通过保留优化过程中的有利行为：我们的新颖隐式点云表示和可微分双线性光栅化器可以实现快速渲染，同时保持细节几何细节而不依赖于像运动点云那样的初始先验知识。我们的方法在几个常见基准数据集上实现了最先进的图像质量。此外，我们以交互帧率实现了快速推断，并可以提取显式点云以进一步提高性能。

    Mar, 2024

  • 直接本质图像：通过卷积回归学习反照率 - 阴影分解

    使用卷积神经网络 (CNN) 和 MPI Sintel 数据集进行直接本质分解的新方法表现出色，超过了以前所有的工作，其结果证明了 CNNs 与合成训练数据的结合可能是解决计算机视觉中经典问题的有力新技术。

    Dec, 2015

  • 点级别三维场景反射率和阴影编辑的本质峰均比

    我们提出了一种基于最新的点云神经渲染技术 Proximity Attention Point Rendering（PAPR）的新方法 “Intrinsic PAPR”，该方法直接对场景分解为颜色和阴影组件进行建模，以实现更好的估计准确性，并在与最新的点云反渲染方法的比较评估中展现出更高质量的新视角渲染和更优越的点级颜色和阴影编辑。

    Jun, 2024

  • 深度本征图像分解的重新审视

    该文介绍了使用具有灵活监督损失层的深度学习方法来实现自然图像的固有反射和阴影层解析分解，并展示了其在所有主要内部图像基准测试上取得的最先进结果。

    Jan, 2017

  • PIE-Net: 基于光度不变边缘引导网络的固有图像分解

    该论文提出了一种基于边缘驱动的混合卷积神经网络方法，用于固有图像分解，取得了良好的效果，并将全局和本地提示区分开来以提高网络性能。

    Mar, 2022

  • 自监控内部图像分解

    本文提出了使用解释输入图像的方法来学习内在图像分解，在单个图像上执行反射、形状和光照条件的预测。该网络利用无监督重建误差信号来提高中间表示的质量，使得大规模未标记数据在训练中有用，并且能够将所学知识应用于不同的对象类别、光照条件和形状的图像上。实验结果表明，该方法对内在图像分解和知识传递均表现出色。

    Nov, 2017

  • 基于预测内外在比率指导的点云网格化

    本文提出了一种新的基于深度学习的方法，旨在从点云中重建物体表面网格表示，通过预测点云中三元组之间的连通性关系来生成高质量网格，并证明该方法在处理细节保留、模糊结构等实际问题时表现良好。

    Jul, 2020