MMAug, 2023

SDDNet: 基于风格引导的双层解缠网络用于阴影检测

PDF
TL;DR通过设计了 Style-guided Dual-layer Disentanglement Network (SDDNet) 来解决当前阴影检测方法中背景颜色对结果的不利影响，并通过 Shadow Style Filter (SSF) 模块实现特征解缠并改善背景颜色的不利影响，从而提高了模型在三个公共数据集上的性能表现。
shadow detectionbackground colorhuman visual systemstyle-guided dual-layer disentanglement network (sddnet)background-related components
发现论文，激发创造
  • 通过阴影图像分解实现阴影去除

    本研究提出了一种基于深度学习的去除影子方法，通过线性照明转换模拟影子的形成，使用 SP-Net 和 M-Net 网络分别预测影子的参数和阴影掩层，通过在 ISTD 数据集上训练，相比其他方法取得了 40％的错误率降低并使用扩充的 ISTD 数据集进一步优化了效果。

    Aug, 2019

  • 基于物理的阴影图像分解技术用于去除阴影

    通过使用线性光照转换建模阴影效应，提出了一种深度学习方法，使用 SP-Net 和 M-Net 来预测阴影参数和阴影遮罩，并采用修补网络 I-Net 进一步优化结果，在 ISTD 数据集上测试表明，在阴影区域方面，我们的方法比现有方法提高了 20％，同时提出了一种基于补丁的弱监督阴影去除方法，并引入了一个用于评估阴影去除方法的视频数据集 SBU-Timelapse。

    Dec, 2020

  • 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

  • S3R-Net：自监督的单阶段自动去除阴影方法

    本文介绍了 S3R-Net，一种自监督阴影去除网络，利用双分支 WGAN 模型实现自监督，并通过数据库中未对齐的无阴影参考图像推断输出数据的特征。与大部分有监督框架和少数现有的循环一致性自监督模型不同，S3R-Net 是单向、非循环的解决方案，同时在保持计算成本低的同时实现了与最新的自监督阴影去除模型相当的数值得分和更好的定性性能。

    Apr, 2024

  • 语义引导的对抗扩散模型用于自监督阴影去除

    我们提出了一种基于语义引导的对抗扩散框架，用于自监督的去除阴影，并通过两个阶段的训练来改善生成图像的质量。我们的方法在多个公开数据集上进行实验，并证明了其有效性。

    Jul, 2024

  • 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

  • 双重降级启发的深度展开网络用于低光图像增强

    基于深度展开网络的双重退化启发的低光图像增强模型，通过构建双重退化模型来显式模拟低光图像的恶化机制，学习两个不同的图像先验，并通过局部和远程信息建模模块和空间聚合模块增强图像的表示能力。

    Aug, 2023

  • 学习深度上下文感知分解以实现低光照图像增强

    本研究提出了一种基于深度学习技术的具有场景上下文依赖关系的分解网络结构，能够有效增强低光照条件下的图像质量，在各种图像处理和多媒体应用中具有较强的实际应用价值。

    Dec, 2021

  • 三元协同视频阴影检测

    本文介绍了一个用于动态场景下阴影检测的新视频数据集 ViSha，并在此基础上开发了一种新型模型 TVSD-Net，该模型通过三个并行网络的协同学习来提高单一视频和不同视频之间的判别表示，以及利用辅助相似性损失来挖掘不同视频之间的语义信息。实验表明，该模型在阴影检测方面优于 SOTA 竞争对手。

    Mar, 2021

  • 逐步递归网络用于阴影去除

    单幅图像阴影去除是一个重要的任务，我们提出了一种简单而有效的渐进循环网络（PRNet）来逐步去除阴影，并在阴影特征提取和渐进阴影去除两个部分中使用 PRNet，从而在性能和时间之间取得平衡。实验证明，我们的方法可以有效去除阴影并取得卓越性能。

    Nov, 2023