Feb, 2024

深阴影：城市空间阳光获取计算的生成方法

PDF
TL;DR通过 Deep Umbra 这一基于条件生成对抗网络的计算框架，我们能够以全球规模来量化阳光接触与阴影，该框架考虑了城市的物理形态，并以高分辨率的空间信息来计算一年四季的累积阳光接触。我们使用来自七个不同城市的数据来训练模型，并通过一系列广泛实验证明了其低的整体均方根误差（低于 0.1），以及对未参与训练的城市的可扩展性。此外，我们还提供了一系列案例研究和全球六大洲 100 多个城市的阳光接触信息的全面数据集。
sunlight accessshadowsurban environmentsquantificationcomputational framework
发现论文，激发创造
  • 基于多层感知器的快速阳光评估方法应用于中国政策下的住宅社区概念设计

    提出了基于多层感知器的方法，该方法通过一次性预测输出建筑物阴影时间间隔，可以计算所有建筑物的太阳光时间间隔的补集，从而得到场地的太阳光时间。通过三个数值实验，该方法将计算时间缩短至 1/84~1/50，并且准确率达到 96.5%~98%；同时开发了一个基于该模型的 Rhino 7/Grasshopper 的住宅社区布局规划插件。本文表明在概念设计阶段可以采用深度学习技术加速太阳光小时模拟。

    Aug, 2023

  • 深入探究暗区以实现强鲁棒阴影检测

    通过学习全局环境下的背景特征，并聚焦于暗区域，我们提出了一种新的阴影检测方法，优于现有方法，并在三个主流阴影检测数据集上进行了广泛实验验证。

    Feb, 2024

  • 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

  • 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

  • 基于结构化深度边缘检测的影子优化

    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

  • 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

  • 光影对深度神经网络健壮性的影响

    本文提出了一种带有多个光度级别图像的 Brightness-Variation 数据集，通过实验发现 Deep Neural Network 的性能易受光照变化的影响，并评估了几种鲁棒性训练技术的效果。

    May, 2023

  • 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

  • 无监督单目深度估计：谈谈天气

    本文提出了一种方法，使用计算机图形和生成模型相结合，通过扩充现有的晴天数据以模拟恶劣天气状况，将增广用于无监督深度估计，进而引入伪监督损失来解决降低性能的问题。

    Jul, 2023

  • 多视角卫星摄影测量的影子神经辐射场

    我们提出了一种新的通用方法，用于阴影感知的多视角卫星摄影测量。我们的建议方法是采用隐式体积表示学习中的最新进展。通过训练 Shadow Neural Radiance Field (S-NeRF) 模型，我们能够实现对场景进行 3D 形状估算、阴影检测和透明物体过滤，而不需要任何显式形状监督。

    Apr, 2021