重塑区域照明以消除阴影
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
使用扩散模型进行纹理恢复在解决如何从含有阴影图像中推断出无阴影场景的问题上一直是个具有挑战性的难题。本文提出了使用扩散模型的方法,通过在扩散过程中逐渐细化阴影区域的细节,其中借鉴了具备无阴影图像特征的学习潜在特征空间,从而避免了只基于退化图像的传统方法存在的局限性。此外,我们还提出了通过将噪声特征与扩散网络融合来缓解训练过程中潜在的局部最优问题。我们的方法在 AISTD 数据集上的 RMSE 性能较之前的最佳方法提高了 13%,在 DESOBA 数据集上的 RMSE 性能较之前的最佳方法提高了 82%。
Dec, 2023
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
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
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
本文提出了一种基于 CNN 学习的阴影区域恢复框架,利用阴影边缘的本地结构和图像区域的复杂交互来计算阴影 / 明亮度量,进而通过最小二乘优化问题进行阴影恢复,实现了在不同条件下收集的主要阴影基准数据库上的最先进结果。
May, 2015
提出一种以用户为中心的快速、交互式、强大和高质量的阴影去除方法,采用基于动态学习的检测方法及前沿用户指导的笔记,并采用归一化框架来实现阴影去除。此外,该论文还提供了第一个验证的和多场景类别的真实数据集,以及阴影去除算法的最全面比较和在线数据集的平台。
Aug, 2016
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
本文提出一种名为阴影自适应对抗攻击的新方法,通过根据阴影图像中不同区域的像素强度调整攻击预算,实现对阴影区域噪声更不可察觉,对非阴影区域扰动更具容忍度,结合该方法对现有阴影去除方法进行全面实证评估。
Mar, 2024