- 数据增强中的泛化鸿沟:来自光照的洞见
通过模拟分布退化,探究数据增强对模型性能的提升作用,研究发现数据增强方法显著改善了模型的性能,但仍存在明显的泛化差距,强调训练集中的特征多样性对于增强模型泛化能力的关键作用。
- 基于二进制水平集的鲁棒图像分割模型
为了提高传统图像分割模型对噪声的鲁棒性,本文模拟了不均匀强度图像中的光照项。此外,为了增强模型对噪声图像的鲁棒性,我们将二值水平集模型融入到所提出的模型中。与传统的水平集相比,二值水平集消除了连续重新初始化的需求。此外,通过引入变分算子 G - CVPR基于物理四重先验的零参考低光增强
通过基于理论的光传递的光度无关先验、预训练的生成扩散模型以及轻量级版本,我们提出了一个仅使用正常光图像进行训练的零参考低光增强框架,该框架在多种场景下表现出卓越的优越性、良好的可解释性、鲁棒性和效率。
- SHINOBI: 通过 BRDF 优化进行神经对象分解的形状和光照研究
我们提出了 SHINOBI,一种用于从具有不同照明、姿势和背景的物体图像中重建形状、材料和光照的端到端框架。
- GIR: 可重新照明场景分解的三维高斯逆渲染
提出了一种使用 3D 高斯逆渲染的方法(GIR),用于重构可重照场景因素。通过使用 3D 高斯估计物体的材料属性、照明和几何结构,相比于现有的离散网格或神经隐式场逆渲染方法,我们的方法在性能、通用性和效率方面具备更大潜力。
- 扩散反射图:光照和反射的单图像随机逆渲染
本研究利用 Diffusion Reflectance Map Network (DRMNet) 方法,从单张图片中恢复出物体的反射频谱和全频谱的光照频谱,通过学习逆向图像形成的扩散模型,展现了在合成数据集上具有最先进准确度的同时,也能在真 - 天空无限:基于天空限制照明先验和从外到内可见性的户外场景再光射
通过对任何天空像素提供的遥远照明的直接测量以及通过神经照明先验的统计指示,我们利用图像中的多个线索来解开几何、反照率和阴影之间的复杂关系,并引入了一种基于神经方向距离函数的新颖的 “自外而内” 的方法来计算可区分的天空可见性。该方法能够高效 - 多模态联合嵌入学习的外观编码
通过在生成建模的最新工作中使用外观编码,我们提出了一个框架,通过在不同模态之间施加对比损失约束来学习场景的外观和结构的联合嵌入空间,从而克服了需要在每次推理中重新训练新的外观编码的问题。通过将我们的框架应用于 RADIATE 数据集的简单变 - 低光图像增强的联合校正与优化
一种名为 JCRNet 的新型结构被提出,可更有效地平衡亮度,颜色和照明。该方法通过三个阶段来增强亮度,颜色和照明,并在低光图像增强任务中显示出明显的综合性能优势。
- ShaDocFormer:具有级联融合细化器的文档阴影去除的阴影注意力阈值检测器
提出了一种基于 Transformer 的体系结构 ShaDocFormer,通过整合传统方法和深度学习技术解决了文档阴影消除问题,通过阴影 - 注意阈值检测器(STD)和级联融合细化器(CFR)两个组件,能够精确检测和捕捉阴影和照明的变化 - ICCV基于光照感知伽马校正和完整图像建模网络的低光照图像增强
本文提出了一种新颖的网络结构,利用感知偏差照明方式和完整图像建模来解决低光照图像增强问题。通过将伽马校正的有效性与深度网络的强建模能力相结合,我们能够粗到细地自适应地感知偏离的照明来学习校正因子伽马。通过使用泰勒级数近似伽马校正,加速了训练 - NeuS-PIR: 使用预积分渲染学习可重新照明的神经表面
本文提出了一种新方法,使用预积分渲染有效地学习可重构的神经表面,同时在神经隐式场内学习几何、材料和照明等物理属性,并在协作上进行优化,实现了在合成和真实数据集中超越现有技术的效果。
- Eclipse: 利用意外阴影消除光照和材料的歧义
本研究旨在提出一种反演渲染方法,通过蒙特卡罗光线跟踪利用拍摄时物体上被意外产生的阴影作为信号,提高条件并帮助消除材料 - 光照的模糊性,从而精确恢复物体的材料,环境光照和灯光挡板的形状。
- CVPR肖像可控光扩散
提出一种基于学习的光扩散方法来改善肖像照片的照明,使得整个场景的光照得以保留,同时柔化过于强烈的阴影和高光,并设计一种方法来生成逼真的外部阴影。最终实现提高高级视觉应用程序如反照率估计、几何估计和语义分割的鲁棒性。
- ECCV室内可编辑照明估算
本文提出了一种从单个视角图像中估算室内场景照明的方法,该方法估算出易于编辑的参数化光源,并结合高频信息的非参数纹理,实现宏观阴影和细节表面反射的逼真渲染效果。定量和定性结果表明,该方法简化了室内照明估算过程,同时仍能产生竞争性的结果。
- SAMURAI:利用不受约束的真实世界的图像集获取外形和材料
该论文提出了一种联合优化框架,可以在未知摄像机姿态和野外环境下准确地估计形状、辐射度和图像相机姿态和光照。
- 跨域相关性蒸馏:用于夜晚语义分割的无监督域自适应
本研究提出了一项通过交叉域相关性蒸馏的新颖域适应框架,称为 CCDistill,旨在充分利用两个图像之间的不变性,从而弥补夜间图像标签缺乏的不足,并实现了夜间语义分割的最先进性能。
- 神经预积分光照反射分解
本文提出了一种新颖的反射率分解网络,通过使用 Neural-PIL 替换昂贵的照明积分操作和使用平滑流形自编码器学习深度低维表现,实现了物体图像的形状、BRDF 和每个图像的照明的估计,得到的分解结果可有效地提高 BRDF 和光估计的准确性 - ECCV自监督室外场景再照明
提出了一种自监督的方法来解决室外场景打光的问题,该方法只依靠采集自互联网的图像,可训练出通用的解决方案,并能够生成真实感和物理上合理的结果。
- 球面传输损失下的稀疏小针灯估计
本文介绍一种新的光照估计模型 NeedleLight,其中需要用到 needlets 来表示照明,并允许同时在频域和空间域进行照明估计。通过设计最优阈值函数来实现稀疏的 needlets,并利用基于最优输运理论的新型球形传输损失来指导对空间