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
本文提出了一种基于深度神经网络和方向感知注意机制的阴影检测和去除方法,并提供了相应的实验和对比结果。
May, 2018
该研究收集了多种场景的阴影图像并编译了一个新的包含10,500张阴影图片的数据集,每张图片都有标记的地面真值遮罩,以支持阴影检测。论文提出了一种快速阴影检测网络,其中包括细节增强模块,用来提取阴影细节,并证明了在一般情况下检测阴影的方法的有效性。
Nov, 2019
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
本文介绍了一个用于动态场景下阴影检测的新视频数据集ViSha,并在此基础上开发了一种新型模型TVSD-Net,该模型通过三个并行网络的协同学习来提高单一视频和不同视频之间的判别表示,以及利用辅助相似性损失来挖掘不同视频之间的语义信息。实验表明,该模型在阴影检测方面优于SOTA竞争对手。
Mar, 2021
本文提出了一种基于光流变形模块和深度网络层的信息检索方法,来更好地聚合时间信息,以提高视频阴影检测的性能,在ViSha数据集上测试表明模型的BER从16.7降低到12.0,且优于当前最先进的视频阴影检测方法28%。
Jul, 2021
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
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
提出了一种用于去除阴影的基于Transformer的框架,称为ShadowMaskFormer,通过引入阴影信息和改进的patch embedding来提高模型在获取阴影区域知识方面的效果。在ISTD、ISTD+和SRD基准数据集上的实验证明了该方法相对于现有方法在使用更少模型参数的情况下的有效性。
Apr, 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