Nov, 2023

逐步递归网络用于阴影去除

PDF
TL;DR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。
single-image shadow removaldeep learning-based approachesprogressive recurrent networkshadow feature extractionre-integration module
发现论文，激发创造
  • 渐进式图像去雨神经网络：更好更简单的基线

    本研究提出了一种基于 ResNet 和递归计算的简单的去雨网络，利用多种不同的输入、输出和损失函数来提高性能，并在合成和真实的雨天图像上表现出优秀的性能。

    Jan, 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

  • ShadowRemovalNet: 高效实时阴影去除

    Shadows significantly impact computer vision tasks outdoors, but existing shadow removal methods are computationally intensive; therefore, ShadowRemovalNet, a novel method for real-time image processing on resource-constrained hardware, offers higher frame rates, efficiency, and simplicity, making it suitable for real-time computer vision applications such as outdoor robotics and edge computing.

    Mar, 2024

  • 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

  • 从阴影生成到阴影去除

    本文提出了一种新的 G2R-ShadowNet 方法，通过使用一组阴影图像及其相应的阴影掩模进行训练，利用阴影生成进行弱监督阴影去除。此方法包含三个子网络，分别为阴影生成、阴影去除和细化，共同以端到端的方式进行训练，通过广泛的实验表明，这种方法在 ISTD 数据集和 Video Shadow Removal 数据集上取得了竞争性结果，并且优于以往方法。

    Mar, 2021

  • ShadowFormer：利用全局上下文提升图像去阴影效果

    该研究提出了一种 Retinex-based 阴影模型和 ShadowFormer 转换器网络，通过多尺度通道的注意机制和 Shadow-Interaction Module 中的 Shadow-Interaction Attention 对阴影和非阴影区域之间的全局联系进行建模。经验证，该方法在三个常用的公共数据集中实现了最先进的性能。

    Feb, 2023

  • 使用生成对抗网络探索残差和光照进行阴影去除的 RIS-GAN

    本文提出了一种使用生成对抗网络来探索残留图像和亮度估计的 RIS-GAN 框架，以粗到细的方式生成间接阴影去除图像，其通过三个鉴别器来检测负残留图像、阴影去除图像和反向亮度图的真假，实验表明该方法在阴影去除上表现优异而且无需特定的阴影感知组件。

    Nov, 2019

  • 规模循环网络用于深度图像去模糊

    本文介绍了一个称为 “SRN-DeblurNet” 的规模递归网络，该方法使用金字塔不同分辨率的 “粗到细” 方法逐步恢复锐化图像，在大规模模糊数据集上进行评估，结果显示我们的方法比现有方法在定量和定性上的呈现更好。

    Feb, 2018

  • 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

  • 用于近端学习和自动压缩图像恢复的递归生成对抗网络

    本文提出了一个级联的神经网络架构来解决基于低采样率的线性逆问题。其中将深度生成式残差网络和像素级和感知损失函数相结合，成功地提高了 MRI 重建的信噪比而将推理速度增加了一百倍，并且也证明了通过设计的 ResNet 可以更好地建模去噪近端来提高图像的超分辨率。

    Nov, 2017