1、ERRnet:
PASCAL VOC数据集
7643张裁剪成224*224大小
90张真实图像数据 Zhang et al
60个epoch 0-30:10e-4 30-50:5*10e-5 50-60:10e-5
2、IBCLN:
4000张图片:2800合成 猜测:只有700张
1200真实 256*256 290张真实数据:
200:Natural
90:Zhang et al
3、RenderingCVPR2020
RGBD数据集和PLACES365 RGB数据集:
以一个前场景和一个后场景作为场景设置,提取有深度场景的三维模型,然后通过路径跟踪进行渲染,合成一组有反射和没有反射的图像进行训练;对于RGB数据集,我们采用深度估计[4]提取场景的三维模型。
RGBD数据集:3000个图像对=6000
PLACES365数据集:2000对 =4000
4、BDN
PASCAL VOC合成数据
5、Zhang et al
5000对图像 一张室内 一张室外 Flicker数据集 Fan的方法
90张真实数据 用来测试
6、RMnet
Syn:256256的两组图片进行合成
Removal:256256加上W进行训练
7、CRRN
PASCAL VOC 提供B
RID(拍摄得到的反射层)
二者叠加
训练:
GiN 0-40 10e-4
训练40epoch后,和IiN同时训练
0-50 10e-4
51-80 10e-5 loss SSIM损失
8、CoRRN
I = αB+βR
将SIRR数据集resize,估计是网络太大了,无法测试,真他吗聪明
9、ICCV2019 RenJie Wan
4027张未对齐的数据
10、Polarized Reflection Removal with Perfect Alignment in the Wild CVPR2020
数据集:偏振图像 每一个像素对应4个偏振角的入射光线
只采集M 和 R T = M-R
11、Gradient Constrain GAN ACCESS
数据集:
PASCAL 数据集 不要其中的灰和白图像,影响训练
双三次插值得到256*256的图像