May, 2024

水滴污染对透明度分割的影响

PDF
TL;DR本研究评估了透明物体与环境干扰（如水汽）共同作用的组合，并引入了一个包含 489 个图片的新型公开数据集，检查了透明性处理的结果对透明物体的污染程度的影响。我们的研究表明，被污染的透明物体更容易被分割，并且我们能够利用当前最先进的机器学习模型区分不同程度的污染，这为提高计算机视觉系统的鲁棒性，例如对污染保护外壳引起的数据偏移，或实现自动清洁提醒提供了可能性。
computer vision techniquestransparent objectscontaminationdatasetmachine-learning model
发现论文，激发创造
  • 野外透明物体分割

    该论文提出了一个大规模数据集 Trans10K，用于透明物体分割，并基于数据集提出了一种新的边界感知分割方法 TransLab，该方法利用边界信息提高了透明物体的分割效果，并在多个实验和消融研究中证明了其有效性。

    Mar, 2020

  • 清晰见天空：基于去雨的图像修复

    本研究提出了一种改进在有附着雨滴和条纹影响的图像分割任务的方法，通过引入新颖的立体数据集并以此进行噪声降低生成器的训练，最终有效去除真实的水滴所产生的影响，并在道路标记分割和语义分割等任务中展现出显著的提高。

    Jan, 2019

  • DerainNeRF：粘滞水滴去除的三维场景估计

    使用水滴去除方法，通过利用多视角图像来预测水滴的位置并训练神经放射场恢复清晰的三维场景，实验结果显示我们的方法在去除水滴的同时生成了清晰的三维场景，优于现有的水滴去除方法。

    Mar, 2024

  • 透明层叠攻击：如何通过几乎不可察觉的图像层来欺骗人工智能视觉

    探索图像预处理方法引入隐形透明度，触发人工智能对人眼所感知内容的错误解读，通过数据集污染使灰度地景和标志集合的标签错误分类，这种隐形透明度混淆了包括人脸识别、数字水印、内容过滤、数据集筛选等领域中复杂视觉系统，与传统针对像素值修改的对抗攻击不同。

    Jan, 2024

  • ZeroWaste 数据集：面向杂乱场景中的可变形物体分割

    该研究利用零浪费（ZeroWaste）数据集的计算机视觉技术，旨在提高回收处理过程中的分选效率，从而减少污染。

    Jun, 2021

  • 透明物体追踪的新数据集与干扰识别架构

    现代跟踪器在透明物体上的性能大幅下降，原因是透明物体的外观受背景影响且通常包含视觉上相似的物体（干扰因素）。鉴于透明物体跟踪缺乏大型训练数据集，本文提出了首个透明物体跟踪训练数据集 Trans2k，包含超过 2k 序列和 104,343 张图像，并通过边界框和分割掩码进行注释。在该数据集上训练的标准跟踪器性能提高了最多 16%。本文的第二个贡献是一种新的干扰因素感知的透明物体跟踪器（DiTra），将定位准确性和目标识别作为分离的任务，并通过一种新颖的架构实现。DiTra 在透明物体跟踪领域取得了最新的最佳性能，并且对不透明物体也有很好的泛化能力。

    Jan, 2024

  • 野外环境中分离反射和透射图像

    本文介绍了一种基于深度学习的方法，利用极化光学的属性对记录的辐照度的反射和透射成分进行分离，并通过准确的合成数据生成管道进行训练，以模拟现实世界中包括曲面和非理想表面产生的反射、非静态场景和高动态范围场景等，从而提高在半反射体引起的反射对计算机视觉算法性能的干扰相关应用的鲁棒性和泛化能力。

    Dec, 2017

  • 用于评估和提高对恶劣天气的鲁棒性的雨天渲染

    本文介绍了一种雨渲染流程，可用于定量评估常见计算机视觉算法对不同程度降雨的影响，通过添加物理和数据驱动的合成雨生成合成数据集，证明算法的性能随着恶劣天气的增加而降低，且在增强的合成数据上微调可获得较高的性能提升。

    Sep, 2020

  • TransCut: 从光场图像中透明物体的分割

    本文提出了一种利用光场图像属性的方法，结合图割优化和光场线性估计技术，解决了透明物体在计算机视觉中难以区分的问题，并通过光场数据集验证了该方法的可行性。

    Nov, 2015

  • 玻璃表面分割的内外边界注意力融合

    本文提出了一种基于深度学习和语义分割的方法，利用分离的内部 - 外部边界注意力模块，从单色图像中学习和选择性地集成玻璃表面的内部和外部区域的视觉特征，以检测玻璃表面，取得了与其他先进方法相媲美的结果。

    Jul, 2023