論文の概要: Shadow Generation for Composite Image in Real-world Scenes

• arxiv url: http://arxiv.org/abs/2104.10338v1
• Date: Wed, 21 Apr 2021 03:30:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-22 14:17:34.433210
• Title: Shadow Generation for Composite Image in Real-world Scenes
• Title（参考訳）: 実世界シーンにおける複合画像の影生成
• Authors: Yan Hong, Li Niu, Jianfu Zhang, Liqing Zhang
• Abstract要約: 本稿では,シャドウマスク予測段階とシャドウマスク充填段階からなる新しいシャドウ生成ネットワークsgrnetを提案する。 シャドウマスク予測段階では、フォアグラウンドと背景情報が徹底的に相互作用してフォアグラウンドシャドウマスクを生成する。 シャドウ充填段階では、シャドウパラメータがシャドウ領域を満たすように予測される。
• 参考スコア（独自算出の注目度）: 23.532079444113528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image composition targets at inserting a foreground object on a background image. Most previous image composition methods focus on adjusting the foreground to make it compatible with background while ignoring the shadow effect of foreground on the background. In this work, we focus on generating plausible shadow for the foreground object in the composite image. First, we contribute a real-world shadow generation dataset DESOBA by generating synthetic composite images based on paired real images and deshadowed images. Then, we propose a novel shadow generation network SGRNet, which consists of a shadow mask prediction stage and a shadow filling stage. In the shadow mask prediction stage, foreground and background information are thoroughly interacted to generate foreground shadow mask. In the shadow filling stage, shadow parameters are predicted to fill the shadow area. Extensive experiments on our DESOBA dataset and real composite images demonstrate the effectiveness of our proposed method.
• Abstract（参考訳）: 画像合成は、背景画像に前景オブジェクトを挿入するターゲットとなる。 従来の画像合成手法では,前景の影効果を無視しつつ,背景との互換性を保たせるために前景の調整に重点を置いていた。 本研究では,合成画像における前景オブジェクトに対する可塑性影の生成に焦点をあてる。 まず,実画像とデシャドー画像に基づいて合成合成画像を生成することで,実世界の影生成データセットDESOBAを提案する。 そこで我々は,シャドーマスク予測ステージとシャドーフィリングステージからなる新しいシャドー生成ネットワークSGRNetを提案する。 シャドウマスク予測段階では、フォアグラウンドと背景情報が徹底的に相互作用してフォアグラウンドシャドウマスクを生成する。 シャドウ充填段階では、シャドウパラメータがシャドウ領域を満たすように予測される。 desobaデータセットと実合成画像の広範な実験を行い,提案手法の有効性を示した。

関連論文リスト

• MetaShadow: Object-Centered Shadow Detection, Removal, and Synthesis [64.00425120075045]
  シャドウは画像編集アプリケーションでは過小評価されるか無視されることが多く、編集結果のリアリズムが制限される。 本稿では,自然画像中の影の検出・除去・制御が可能な3-in-one多元性フレームワークであるMetaShadowを紹介する。
  論文  参考訳（メタデータ） (2024-12-03T18:04:42Z)
• Generative Image Layer Decomposition with Visual Effects [49.75021036203426]
  LayerDecompは、イメージ層分解のための生成フレームワークである。 清潔な背景と、忠実に保存された視覚効果を持つ高品質な透明な前景を作り出す。 本手法は,オブジェクト除去や空間編集作業において,既存の手法よりも優れた分解特性を実現する。
  論文  参考訳（メタデータ） (2024-11-26T20:26:49Z)
• Shadow Generation for Composite Image Using Diffusion model [16.316311264197324]
  我々は、自然影画像の知識が豊富な基礎モデルに頼っている。 まず、タスクにControlNetを適応させ、次にシャドーインテンシティを改善するためにインテンシティ変調モジュールを提案する。 DESOBAとDESOBAv2データセットと実合成画像の両方の実験結果から,影生成タスクにおけるモデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-03-22T14:27:58Z)
• DESOBAv2: Towards Large-scale Real-world Dataset for Shadow Generation [19.376935979734714]
  本研究では,合成画像をよりリアルにするために,挿入された前景オブジェクトに対する可塑性影の生成に焦点をあてる。 既存の小規模なデータセットであるDESOBAを補完するために、DESOBAv2と呼ばれる大規模なデータセットを作成します。
  論文  参考訳（メタデータ） (2023-08-19T10:21:23Z)
• Shadow Generation with Decomposed Mask Prediction and Attentive Shadow Filling [26.780859992812186]
  我々は、合成画像をよりリアルにするために、挿入された前景オブジェクトに対して可塑性影を生成することに重点を置いている。 既存の小規模データセットを補完するために、レンダリング技術を備えたRdSOBAと呼ばれる大規模データセットを作成します。 我々は、マスク予測と注意影の埋め合わせを備えたDMASNetという2段階ネットワークを設計する。
  論文  参考訳（メタデータ） (2023-06-30T01:32:16Z)
• Neural Fields meet Explicit Geometric Representation for Inverse Rendering of Urban Scenes [62.769186261245416]
  本稿では,大都市におけるシーン形状,空間変化材料,HDR照明を,任意の深さで描画したRGB画像の集合から共同で再構成できる新しい逆レンダリングフレームワークを提案する。 具体的には、第1の光線を考慮に入れ、第2の光線をモデリングするために、明示的なメッシュ(基礎となるニューラルネットワークから再構成)を用いて、キャストシャドウのような高次照明効果を発生させる。
  論文  参考訳（メタデータ） (2023-04-06T17:51:54Z)
• Shadow Removal by High-Quality Shadow Synthesis [78.56549207362863]
  HQSSでは、擬似画像を合成するためにシャドウ機能エンコーダとジェネレータを使用している。 HQSSは、ISTDデータセット、ビデオシャドウ除去データセット、SRDデータセットの最先端メソッドよりも優れたパフォーマンスを発揮する。
  論文  参考訳（メタデータ） (2022-12-08T06:52:52Z)
• Controllable Shadow Generation Using Pixel Height Maps [58.59256060452418]
  物理ベースのシャドウレンダリング法は3次元のジオメトリーを必要とするが、必ずしも利用できない。 深層学習に基づく影合成法は、光情報から物体の影へのマッピングを、影の幾何学を明示的にモデル化することなく学習する。 オブジェクト,グラウンド,カメラのポーズ間の相関を符号化する新しい幾何学的表現であるピクセルハイを導入する。
  論文  参考訳（メタデータ） (2022-07-12T08:29:51Z)
• SIDNet: Learning Shading-aware Illumination Descriptor for Image Harmonization [10.655037947250516]
  画像調和は、背景との互換性を高めるために前景の外観を調整することを目的としている。 画像調和タスクを,1)背景画像の照度推定と2)背景照明下の前景オブジェクトの再レンダリングの2つのサブプロブレムに分解する。
  論文  参考訳（メタデータ） (2021-12-02T15:18:29Z)
• Making Images Real Again: A Comprehensive Survey on Deep Image Composition [34.09380539557308]
  画像合成タスクは複数のサブタスクに分解できる。 オブジェクト配置は、前景の適切なスケール、位置、形状を見つけることを目的としています。 画像ブレンディングは、前景と背景の間の不自然な境界に対処することを目的としている。
  論文  参考訳（メタデータ） (2021-06-28T09:09:14Z)
• Adversarial Image Composition with Auxiliary Illumination [53.89445873577062]
  本稿では,現実的な画像合成を実現するためのAIC-Netを提案する。 影の発生と前景の移動を両立させる新しい分岐生成機構を提案する。 歩行者と自動車のコンポジションタスクに関する実験により,提案したAIC-Netが優れたコンポジション性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-09-17T12:58:16Z)

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。