本文提出了一种新的阴影去除方法,使用非配对数据,不仅避免了繁琐的注释,还能够获得更多样化的培训样本。该研究使用了 Mask-ShadowGAN 框架,通过重新定义的循环一致性约束实现自动学习产生阴影屏蔽层,用于对阴影图像的生成进行指导,这在各种实验中表现出很高的效果。
Mar, 2019
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
本研究提出了一种多任务学习的方法,用于联合学习阴影检测和去除。基于条件生成对抗网络的堆叠式模型,该模型可以共同学习这两个任务。研究构建了首个大规模基准,验证了该框架的优越性。
Dec, 2017
该研究利用自监督限制所提出的无监督去雨生成对抗网络 (UD-GAN) 解决了单幅图像去雨中标注 - 监督约束缺失等问题并在多种基准测试集和不同训练设置下表现出卓越的去雨效果。
Nov, 2018
本文介绍了通过使用名为 DHAN 和 SMGAN 的网络结构来解决阴影区域颜色不一致和边界失真的问题,以提高场景理解的能力。
Nov, 2019
通过设计语义感知的生成对抗网络,将测试图像转换成源域的外观,保留语义结构信息,并实现语义标签空间内的嵌套对抗学习。通过生成对抗网络映射数据分布、循环一致性保留像素级内容以及语义感知增强结构信息,实现对两个不同的胸部 X 光公共数据集进行左 / 右肺分割的无监督领域自适应,创造性地解决了深度学习在 domain shift 上性能下降的问题,并与有监督的迁移学习性能相媲美。
Jun, 2018
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
通过利用最近的扩散模型的潜在空间中的语义信息,本文提出了一个快速生成语义对抗攻击的框架,并在 CelebA-HQ 和 AFHQ 数据集上进行了大量实验,与其他基线相比,我们的框架在多种情境中取得了极高的成功率,最佳 FID 为 36.61。
Sep, 2023
本篇论文提出了一种基于 DDPM 的新型框架,用于语义图像合成,通过条件扩散模型来处理语义布局与噪声图像,而引入分类器自由的引导采样策略来进一步提高了生成质量和语义可解释性。
Jun, 2022
本文提出了一种新的基于 SG-GAN 的虚拟到现实领域自适应方法,可以有效地保留关键语义信息以实现更好的识别。实验证明,与现有 GAN 相比,SG-GAN 在场景自适应方面具有更好的性能,使用 SG-GAN 适应的虚拟图像在语义分割上比原始虚拟数据明显提高。
Jan, 2018