論文の概要: VIDIT: Virtual Image Dataset for Illumination Transfer

• arxiv url: http://arxiv.org/abs/2005.05460v2
• Date: Wed, 13 May 2020 10:17:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-04 20:47:37.829642
• Title: VIDIT: Virtual Image Dataset for Illumination Transfer
• Title（参考訳）: VIDIT:照明転送のための仮想画像データセット
• Authors: Majed El Helou, Ruofan Zhou, Johan Barthas, Sabine S\"usstrunk
• Abstract要約: VIDIT(Virtual Image dataset for Illumination Transfer)を提案する。 VIDITには、トレーニングに使用される300の仮想シーンが含まれており、各シーンは合計で40回撮影されている。
• 参考スコア（独自算出の注目度）: 18.001635516017902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep image relighting is gaining more interest lately, as it allows photo enhancement through illumination-specific retouching without human effort. Aside from aesthetic enhancement and photo montage, image relighting is valuable for domain adaptation, whether to augment datasets for training or to normalize input test data. Accurate relighting is, however, very challenging for various reasons, such as the difficulty in removing and recasting shadows and the modeling of different surfaces. We present a novel dataset, the Virtual Image Dataset for Illumination Transfer (VIDIT), in an effort to create a reference evaluation benchmark and to push forward the development of illumination manipulation methods. Virtual datasets are not only an important step towards achieving real-image performance but have also proven capable of improving training even when real datasets are possible to acquire and available. VIDIT contains 300 virtual scenes used for training, where every scene is captured 40 times in total: from 8 equally-spaced azimuthal angles, each lit with 5 different illuminants.
• Abstract（参考訳）: 最近は、人間の努力なしに照明特有のリタッチによって光の強化を可能にするため、深層画像のリライティングがますます関心を集めている。 美的拡張とフォトモンタージュは別として、イメージリライトはトレーニング用のデータセットの強化や入力テストデータの正規化など、ドメイン適応に有用である。 しかし、正確なリライトは、シャドウの除去と再キャストの困難さや異なる表面のモデリングなど、様々な理由から非常に困難である。 本稿では、参照評価ベンチマークを作成し、照明操作手法の開発を進めるために、新たなデータセットであるVIDIT(Virtual Image Dataset for Illumination Transfer)を提案する。 仮想データセットは、実画像のパフォーマンスを達成するための重要なステップであるだけでなく、実データセットが取得および利用可能になった場合でも、トレーニングを改善する能力も証明されている。 VIDITには、トレーニングに使用される300の仮想シーンが含まれており、すべてのシーンは合計40回撮影されている。

関連論文リスト

• Lite2Relight: 3D-aware Single Image Portrait Relighting [87.62069509622226]
  Lite2Relightは、肖像画の3D一貫性のある頭部ポーズを予測できる新しいテクニックだ。 事前学習した幾何認識エンコーダと特徴アライメントモジュールを利用することで、入力画像を3D空間にマッピングする。 これには、髪、目、表情を含むフルヘッドの3D一貫性のある結果が含まれる。
  論文  参考訳（メタデータ） (2024-07-15T07:16:11Z)
• BVI-RLV: A Fully Registered Dataset and Benchmarks for Low-Light Video Enhancement [56.97766265018334]
  本稿では,2つの異なる低照度条件下での様々な動きシナリオを持つ40のシーンからなる低照度映像データセットを提案する。 我々は、プログラム可能なモータードリーを用いて、通常の光で捉えた完全に登録された地上真実データを提供し、異なる光レベルにわたるピクセルワイドフレームアライメントのための画像ベースアプローチによりそれを洗練する。 実験の結果,Low-light Video enhancement (LLVE) における完全登録ビデオペアの重要性が示された。
  論文  参考訳（メタデータ） (2024-07-03T22:41:49Z)
• Holo-Relighting: Controllable Volumetric Portrait Relighting from a Single Image [41.6305755298805]
  ホロリライティング(Holo-Relighting)は、1枚の画像から新しい視点と新しい照明を合成できるボリュームリライティング法である。 これらの特徴を処理するために、所定の照明に条件付けされた照明モジュールを設計し、三面体という形で、信頼度の高い3D表現を予測する。 視点制御と照明制御に加えて、ホロライティングはヘッドポーズを条件として、ヘッドポジション依存の照明効果を可能にする。
  論文  参考訳（メタデータ） (2024-03-14T17:58:56Z)
• LightSim: Neural Lighting Simulation for Urban Scenes [42.84064522536041]
  異なる屋外照明条件は都市景観の外観を大きく変え、画像に基づくロボット認識システムの性能を損なう可能性がある。 カメラシミュレーションは、異なる照明条件下で撮影された画像の大規模なデータセットを作成するためのコスト効率の良いソリューションを提供する。 我々は,多種多様で現実的で制御可能なデータ生成を可能にする,ニューラルライティングカメラシミュレーションシステムであるLightSimを提案する。
  論文  参考訳（メタデータ） (2023-12-11T18:59:13Z)
• Learning to Relight Portrait Images via a Virtual Light Stage and Synthetic-to-Real Adaptation [76.96499178502759]
  Relightingは、イメージ内の人物を、ターゲットの照明のある環境に現れたかのように再照らすことを目的としている。 最近の手法は、高品質な結果を得るためにディープラーニングに依存している。 そこで本研究では,光ステージを必要とせずに,SOTA(State-of-the-art Relighting Method)と同等に動作可能な新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-21T17:15:58Z)
• Neural Light Field Estimation for Street Scenes with Differentiable Virtual Object Insertion [129.52943959497665]
  既存の屋外照明推定の作業は通常、シーン照明を環境マップに単純化する。 単一画像から5次元HDR光場を推定するニューラルネットワークを提案する。 自律運転アプリケーションにおけるARオブジェクト挿入の利点を示す。
  論文  参考訳（メタデータ） (2022-08-19T17:59:16Z)
• Neural Radiance Transfer Fields for Relightable Novel-view Synthesis with Global Illumination [63.992213016011235]
  本稿では,ニューラル計算された放射光伝達関数を学習し,新しい視点下でのシーンリライティング手法を提案する。 本手法は,1つの未知の照明条件下で,シーンの実際の画像に対してのみ監視することができる。 その結果, シーンパラメータのアンタングルの復元は, 現状よりも有意に向上していることがわかった。
  論文  参考訳（メタデータ） (2022-07-27T16:07:48Z)
• Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
  そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。 本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-01-10T03:12:52Z)
• PX-NET: Simple and Efficient Pixel-Wise Training of Photometric Stereo Networks [26.958763133729846]
  光を反射する物体の正確な3D再構成は、コンピュータビジョンにおいて非常に難しい課題だ。 本稿では,グローバルにレンダリングされた画像のトレーニングデータ(観測マップ)を,画素単位の独立なデータに置き換えることで,正規予測のための新たな画素単位のトレーニング手順を提案する。 我々のネットワークであるPX-NETは、合成データセット上の他のピクセルワイズ手法と比較して最先端の性能を実現している。
  論文  参考訳（メタデータ） (2020-08-11T18:03:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。