CVPR 2020 | GAN中的反射/光和阴影

最新推荐文章于 2023-12-20 11:29:34 发布

机器学习与AI生成创作

最新推荐文章于 2023-12-20 11:29:34 发布

阅读量1.9k

点赞数 2

分类专栏：扩散模型与GAN生成对抗网络

本文链接：https://blog.csdn.net/lgzlgz3102/article/details/106700829

版权

123 篇文章 124 订阅

订阅专栏

点击上方“机器学习与生成对抗网络”，关注"星标"

获取有趣、好玩的前沿干货！

1 Single Image Reflection Removal through Cascaded Refinement

本文尝试解决从单个图像中去除反射的问题（通过玻璃表面导致），这是不适定的、具有挑战性的问题，它对照片增强起至关重要。
提出了一种迭代Boost卷积式的LSTM网络（IBCLN），该网络能够进行级联式预测以去除反射。作为一个级联网络，它以彼此提高预测质量的方式来迭代地优化传输层和反射层的估计，并使用LSTM传输级联步骤中的信息。

对通过玻璃拍摄的图像，现有方法着眼于将反射分量视为噪声来恢复背景场景。
但玻璃表面反射的场景可能还包含重要信息，需要恢复，特别是对于监控或刑事调查。
本文旨在从混合图像中恢复反射场景，而不是从混合图像中除去反射分量。首先提出一种获取此类GT及其相应输入图像的策略。然后，提出一个两阶段框架来从混合图像获得反射场景。(用shift-invariant损失训练网络

消除文档图像中的阴影可增强文档视觉质量和可读性。现有大多数用于文档图像阴影去除的算法都属于人工式启发式算法，对于具有不同特征的文档通常不具有鲁棒性。
本文提出Background Estimation Document Shadow Removal Network（BEDSR-Net），第一个专门设计用于文档图像阴影去除的深度网络。
为利用文档图像的特定属性，设计背景估计模块以提取文档的全局背景色。在估计背景颜色的过程中，模块还学习有关背景像素和非背景像素的空间分布信息（将此类信息编码为注意力图）。
实验表明在合成图像上训练的模型对于真实照片仍然有效；并提供了文档的大量合成阴影图像以及它们相应的无阴影图像和阴影mask。

更多分享：

CVPR2020 GAN论文整理

关注