論文の概要: Shadow Removal by a Lightness-Guided Network with Training on Unpaired Data

• arxiv url: http://arxiv.org/abs/2006.15617v1
• Date: Sun, 28 Jun 2020 14:31:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 02:52:25.448979
• Title: Shadow Removal by a Lightness-Guided Network with Training on Unpaired Data
• Title（参考訳）: 非ペアデータトレーニングによる光度誘導型ネットワークによる影除去
• Authors: Zhihao Liu, Hui Yin, Yang Mi, Mengyang Pu, and Song Wang
• Abstract要約: 未ペアデータによるシャドウ除去のための新しい光度誘導シャドウ除去ネットワーク(LG-ShadowNet)を提案する。 本稿では,まず,光度を補償するCNNモジュールを訓練し,次に第1のCNNモジュールから情報を誘導して第2のCNNモジュールを訓練し,最終的なシャドウ除去を行う。 ISTD, 調整されたISTD, USRデータセットを用いた実験により, 提案手法は, 未使用データに対するトレーニングにより, 最先端の手法よりも優れていることを示した。
• 参考スコア（独自算出の注目度）: 20.58025750083049
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shadow removal can significantly improve the image visual quality and has many applications in computer vision. Deep learning methods based on CNNs have become the most effective approach for shadow removal by training on either paired data, where both the shadow and underlying shadow-free versions of an image are known, or unpaired data, where shadow and shadow-free training images are totally different with no correspondence. In practice, CNN training on unpaired data is more preferred given the easiness of training data collection. In this paper, we present a new Lightness-Guided Shadow Removal Network (LG-ShadowNet) for shadow removal by training on unpaired data. In this method, we first train a CNN module to compensate for the lightness and then train a second CNN module with the guidance of lightness information from the first CNN module for final shadow removal. We also introduce a loss function to further utilise the colour prior of existing data. Extensive experiments on widely used ISTD, adjusted ISTD and USR datasets demonstrate that the proposed method outperforms the state-of-the-art methods with training on unpaired data.
• Abstract（参考訳）: シャドウ除去は画像の画質を大幅に改善し、コンピュータビジョンに多くの応用がある。 CNNに基づくディープラーニング手法は、画像のシャドウと基礎となるシャドウフリーバージョンが既知のペアデータと、シャドウとシャドウフリーのトレーニングイメージが全く異なるアンペアデータの両方をトレーニングすることで、シャドウ除去の最も効果的なアプローチとなった。 実際には、トレーニングデータ収集の容易性を考えると、不正なデータに対するCNNトレーニングの方が好ましい。 本稿では,未使用データのトレーニングによる影除去のための新しい光度誘導陰影除去ネットワーク(LG-ShadowNet)を提案する。 本手法では、まずCNNモジュールをトレーニングし、次に第1のCNNモジュールからの輝度情報に基づいて第2のCNNモジュールをトレーニングし、最終的なシャドウ除去を行う。 また,既存のデータに先立って,色をさらに活用するための損失関数を導入する。 広範に使用されているISTD、調整されたISTD、USRデータセットに対する大規模な実験により、提案手法は、未使用データに対するトレーニングにより最先端の手法よりも優れていることが示された。

関連論文リスト

• Progressive Recurrent Network for Shadow Removal [99.1928825224358]
  シングルイメージのシャドー削除は、まだ解決されていない重要なタスクである。 既存のディープラーニングベースのアプローチのほとんどは、シャドウを直接削除しようとするが、シャドウをうまく扱えない。 本稿では,影を段階的に除去する簡易かつ効果的なプログレッシブ・リカレント・ネットワーク(PRNet)を提案する。
  論文  参考訳（メタデータ） (2023-11-01T11:42:45Z)
• SILT: Shadow-aware Iterative Label Tuning for Learning to Detect Shadows from Noisy Labels [53.30604926018168]
  本稿では,シャドウラベルのノイズを明示的に考慮し,自己学習で深層モデルを訓練する,シャドウ対応反復ラベルチューニングフレームワークSILTを提案する。 また,グローバルな局所融合とシャドウ・アウェア・フィルタリングを併用した簡易かつ効果的なラベルチューニング戦略を考案し,ノイズラベルの大幅な改善を図った。 その結果,SILTで訓練した単純なU-Netでさえ,最先端の手法を大きなマージンで上回ることができることがわかった。
  論文  参考訳（メタデータ） (2023-08-23T11:16:36Z)
• Leveraging Inpainting for Single-Image Shadow Removal [29.679542372017373]
  本研究では,画像インペイントデータセットにおける影除去ネットワークの事前学習により,影の残差を著しく低減できることを示す。 単純エンコーダ・デコーダネットワークは、10%のシャドウとシャドウフリーの画像ペアで、最先端の手法で競合する復元品質を得る。 これらの観測から着想を得て,影の除去と画像の塗装を両立させる適応融合タスクとして,影の除去を定式化する。
  論文  参考訳（メタデータ） (2023-02-10T16:21:07Z)
• ShaDocNet: Learning Spatial-Aware Tokens in Transformer for Document Shadow Removal [53.01990632289937]
  本稿では,文書陰影除去のためのトランスフォーマーモデルを提案する。 シャドウとシャドウフリーの両方の領域で、シャドウコンテキストエンコーディングとデコードを使用する。
  論文  参考訳（メタデータ） (2022-11-30T01:46:29Z)
• DeS3: Adaptive Attention-driven Self and Soft Shadow Removal using ViT Similarity [54.831083157152136]
  本稿では,適応的注意とViT類似性に基づいて,ハード,ソフト,セルフシャドーを除去する手法を提案する。 提案手法はSRD, AISTD, LRSS, USR, UIUCデータセットの最先端手法より優れている。
  論文  参考訳（メタデータ） (2022-11-15T12:15:29Z)
• R2D: Learning Shadow Removal to Enhance Fine-Context Shadow Detection [64.10636296274168]
  現在のシャドウ検出方法は、小さく、不明瞭で、ぼやけたエッジを持つシャドウ領域を検出する際には、性能が良くない。 本稿では,深層ニューラルネットワークを修復訓練(シャドウ除去)するRestore to Detect(R2D)という新しい手法を提案する。 提案手法は,近年の手法に比べて微妙なコンテキストの検出が可能でありながら,影検出性能の向上を図っている。
  論文  参考訳（メタデータ） (2021-09-20T15:09:22Z)
• From Shadow Generation to Shadow Removal [19.486543304598264]
  シャドウ生成を弱教師付きシャドウ除去に活用するG2R-ShadowNetを提案する。 提案されたG2R-ShadowNetは3つのサブネットワークで構成されている。 特に、シャドウ生成サブネットは非シャドウ領域をシャドウ領域とスタイリングし、シャドウ除去サブネットをトレーニングするためのペアデータを生成する。
  論文  参考訳（メタデータ） (2021-03-24T05:49:08Z)
• Physics-based Shadow Image Decomposition for Shadow Removal [36.41558227710456]
  陰影除去のための新しい深層学習法を提案する。 影形成の物理モデルにインスパイアされ、線形照明変換を用いて画像内の影効果をモデル化する。 最も困難なシャドウ除去データセットでフレームワークをトレーニングし、テストします。
  論文  参考訳（メタデータ） (2020-12-23T23:06:38Z)
• Self-Supervised Shadow Removal [130.6657167667636]
  条件付きマスクを用いた自己教師付き学習による教師なしシングルイメージシャドウ除去ソリューションを提案する。 既存の文献とは対照的に、一対のシャドウとシャドウのない画像は必要とせず、自己スーパービジョンに頼り、画像にシャドウを取り除いて追加するために深いモデルを共同で学習する。
  論文  参考訳（メタデータ） (2020-10-22T11:33:41Z)
• From Shadow Segmentation to Shadow Removal [34.762493656937366]
  シャドウとシャドウフリーの画像のペアの必要性は、シャドウ除去データセットのサイズと多様性を制限している。 本研究では,影画像から抽出した陰影と非陰影パッチのみを用いて,陰影除去法を提案する。
  論文  参考訳（メタデータ） (2020-08-01T14:00:10Z)

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。