使用深度学习进行单图像阴影去除的综述
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
本文提出了一种使用生成对抗网络来探索残留图像和亮度估计的 RIS-GAN 框架,以粗到细的方式生成间接阴影去除图像,其通过三个鉴别器来检测负残留图像、阴影去除图像和反向亮度图的真假,实验表明该方法在阴影去除上表现优异而且无需特定的阴影感知组件。
Nov, 2019
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
介绍了SynShadow,这是一个新的大规模合成阴影/无阴影/亚光图像三元组数据集及其产生方法:通过对物理接地阴影照明模型的扩展,利用透明图像、亚光图像和阴影衰减参数的任意组合来合成阴影图像,并展示了在一些具有挑战性的基准测试上,使用该数据集支持训练的阴影去除模型的优异表现以及简单微调自SynShadow预训练模型的改进效果,并且提供了公开的代码
Jan, 2021
本文提出了使用曝光融合方法进行阴影去除的新解决方案,其中包括将输入图像的多个过度曝光图像的阴影区域与其无阴影区域的颜色相同,使用阴影感知的FusionNet生成融合权重图,并使用边界感知的RefineNet去除剩余的阴影痕迹。实验表明我们的方法在阴影区域性能更佳,在非阴影区域表现与现有最先进方法相当。
Mar, 2021
本文提出了一种改进的阴影去除方法,通过分开训练不同的神经网络分支来解决现有阴影去除方法中存在的问题,使用迭代去阴影分支逐步去除阴影并利用相同映射结果指导阴影去除过程,并在多尺度特征的基础上逐渐传输非阴影区域的信息到阴影区域,最终通过智能聚合模块获得更优异的阴影去除结果。
May, 2023
本研究解决了现有阴影去除方法在捕捉复杂阴影模式时的局限性,并提供了新的数据集以支持更全面的基准测试。提出的新型深度学习架构Soft-Hard Attention U-net(SHAU)结合软硬注意力模块和多尺度特征提取,有效提升了阴影去除的表现,实验结果显示在多个基准数据集中提升了阴影区域的信噪比和均方根误差显著。
Aug, 2024
本研究针对计算机视觉中的阴影检测、去除与生成问题,填补了过去十年相关文献的空白。文章通过综合调查深度学习领域中的阴影分析,制定实验比较标准,探索模型规模、速度与性能之间的关系,识别开放问题及未来研究方向,为后续研究提供了公共资源支持。
Sep, 2024