Dec, 2023

光照感知合成的内在协调

PDF
TL;DR本研究介绍了一种在内在图像领域中制定的自我监督照明协调方法，通过估计中级视觉表征生成的大体阴影，再通过网络对其进行修正以生成与背景场景一致的协调再阴影，结合先前协调方法的思想，在色调域中执行参数化图像编辑，实现前景与背景的颜色外观匹配，并通过挑战性实际复合结果和用户研究验证我们方法的有效性和与最先进的协调方法相比增强的真实感。
发现论文，激发创造
  • 可学习的增强深度图像融合

    图像协调的目标是调整复合图像中前景的外观，使整个图像协调一致。我们通过探索可学习的增强方法，丰富小规模数据集的光照多样性，以提升协调性能。实验表明，我们提出的可学习增强方法对图像协调具有有效性。

    Aug, 2023

  • BargainNet: 用背景引导的领域翻译实现图像融合

    本研究提出了一种基于深度学习的图像和谐网络，采用背景引导域转换的方式，通过背景信息对前景进行调整，实现了高质量的图像合成。

    Sep, 2020

  • 深度图像基于光照协同处理

    本文提出了一种深度图像基于的照明和谐 GAN 框架 (DIH-GAN)，该框架通过应用多尺度注意机制和照明交换策略直接推断插入前景物体与相应背景场景之间的映射关系，同时使用对抗学习策略进一步优化照明和谐效果；通过综合实验验证了 DIH-GAN 在图像对象照明和谐编辑方面的实用和有效性，并证实了其在现有方法中的优越性。

    Jul, 2021

  • 图像协调的前景感知语义表示

    通过使用预先训练的分类网络，提出了一种新的体系结构来利用高级特征空间以实现图像和谐的目的，并在图像和谐基准测试中取得了 MSE 和 PSNR 指标的最新成果。

    Jun, 2020

  • 光照感知人像背景替换

    用于人像与新背景合成的一种考虑照明效果的扩散模型，通过引入灯光表示模块、对齐网络和数据模拟管道，实现了对全局色彩和亮度的调整以及场景中来自背景的关键照明线索的融合。该方法在视觉保真度和照明连贯性方面优于现有基准，在实际测试中表现出卓越的泛化能力，凸显了其多功能和实用性。

    Dec, 2023

  • 深度图像融合

    该论文提出了一种用于图像融合的端到端深度卷积神经网络，通过收集大规模高质量的训练数据，能够更好地捕捉复合图像的背景和前景的上下文和语义信息，实验表明，所提出的网络优于以往的方法。

    Feb, 2017

  • 扩散模型下的图像融合

    通过应用扩散模型，我们比较了两种条件性扩散模型 (Classifier-Guidance 和 Classifier-Free) 在处理前景图像的亮度和颜色调整，从而达到与背景无缝融合的视觉效果，提出了一种新的图像和谐化方法。

    Jun, 2023

  • 全局引导特征转化与关系蒸馏的深度图像和谐化

    给定一个复合图像，图像协调旨在调整前景照明与背景一致。我们展示了使用全局信息指导前景特征转换可获得显着改善，并将前景 - 背景关系从真实图像转移到复合图像，为转换的编码器特征提供中间监督。此外，我们贡献了一个模拟自然照明变化的 ccHarmony 数据集。对 iHarmony4 和我们贡献的数据集进行了大量实验证明了我们方法的优越性。

    Aug, 2023

  • 面向区域的自适应实例标准化用于图像协调

    本文提出了一种基于深度学习的图像和谐方法，通过引入基于区域的自适应实例归一化 (RAIN) 模块，实现了前景与背景之间的视觉风格一致，并且在现有数据集上进行了大量实验验证，提出的方法具有很高的应用价值。

    Jun, 2021

  • DoveNet：基于领域验证的深度图像融合

    本文介绍了一种基于深度学习的图片和谐方法 DoveNet，在 COCO、Adobe5k、Flickr 和 day2night 这些数据集上生成了一组 iHarmony4 数据集。我们提出了一种先进的新颖的领域验证鉴别器，使前景能够被翻译成与背景相同的领域。在所构建的数据集上大量实验表明，我们提出的方法是有效的。

    Nov, 2019