Sep, 2024

揭示深层阴影：深度学习时代图像和视频阴影检测、去除与生成的综述

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 阴影检测: 近期方法的综述和比较评估

    本文介绍了最近移动阴影检测技术的调查和比较评估。我们识别了阴影去除是提高物体检测和跟踪的关键步骤，并将它们分为四个类别:色度、物理、几何和纹理。文章提出了追踪性能作为一种不偏见的方法，以确定阴影检测方法的实际有用性。我们评估了所选方法，并得出结论，所有阴影检测方法都有不同的贡献和个体的强点和弱点。

    Apr, 2013

  • 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

  • 困难阴影场景交互式去除与地面真实性

    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

  • 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

  • 重新审视影子检测：针对复杂环境的新基准数据集

    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

  • 基于物理的阴影图像分解技术用于去除阴影

    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

  • 使用合成阴影进行阴影检测和消除的学习

    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

  • 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

  • 使用深度学习进行单图像阴影去除的综述

    本文是对深度学习为基础的单幅图像阴影去除方法进行全面调查的第一篇论文，综述了之前的研究、性能比较以及可能的未来发展方向。

    Jul, 2024

  • 多尺度图像阴影去除的软硬注意力U-Net模型与基准数据集

    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