Aug, 2023

DESOBAv2：基于大规模现实世界数据集的阴影生成

PDF
TL;DR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。
image compositionplausible shadowlarge-scale datasetobject-shadow detectioninpainting techniques
发现论文，激发创造
  • 现实场景中复合图像的阴影生成

    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

  • RdSOBA：渲染阴影 - 物体关联数据集

    本文聚焦于为前景图像插入逼真的阴影以使合成图更具真实性，通过 3D 渲染技术创建了大规模数据集 RdSOBA，其中包括可控渲染技术下的阴影图像。

    Jun, 2023

  • 使用扩散模型生成复合图像的阴影

    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

  • 使用合成阴影进行阴影检测和消除的学习

    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

  • 实例阴影检测

    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

  • 重新审视影子检测：针对复杂环境的新基准数据集

    该研究收集了多种场景的阴影图像并编译了一个新的包含 10,500 张阴影图片的数据集，每张图片都有标记的地面真值遮罩，以支持阴影检测。论文提出了一种快速阴影检测网络，其中包括细节增强模块，用来提取阴影细节，并证明了在一般情况下检测阴影的方法的有效性。

    Nov, 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

  • 从阴影分割到阴影去除

    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

  • 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