論文の概要: Shadow-Aware Dynamic Convolution for Shadow Removal
- arxiv url: http://arxiv.org/abs/2205.04908v1
- Date: Tue, 10 May 2022 14:00:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-12 20:30:03.144740
- Title: Shadow-Aware Dynamic Convolution for Shadow Removal
- Title(参考訳): 影除去のための影認識動的畳み込み
- Authors: Yimin Xu, Mingbao Lin, Hong Yang, Ke Li, Yunhang Shen, Fei Chao,
Rongrong Ji
- Abstract要約: シャドウ領域と非シャドウ領域間の相互依存を分離するための新しいシャドウ・アウェア・ダイナミック・コンボリューション(SADC)モジュールを提案する。
我々のSADCは、非シャドウ領域の色マッピングが学習しやすいという事実に触発され、軽量な畳み込みモジュールで非シャドウ領域を処理する。
我々は,非シャドウ地域からシャドウ地域への情報フローを強化するために,新しいコンボリューション内蒸留損失を開発した。
- 参考スコア(独自算出の注目度): 80.82708225269684
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With a wide range of shadows in many collected images, shadow removal has
aroused increasing attention since uncontaminated images are of vital
importance for many downstream multimedia tasks. Current methods consider the
same convolution operations for both shadow and non-shadow regions while
ignoring the large gap between the color mappings for the shadow region and the
non-shadow region, leading to poor quality of reconstructed images and a heavy
computation burden. To solve this problem, this paper introduces a novel
plug-and-play Shadow-Aware Dynamic Convolution (SADC) module to decouple the
interdependence between the shadow region and the non-shadow region. Inspired
by the fact that the color mapping of the non-shadow region is easier to learn,
our SADC processes the non-shadow region with a lightweight convolution module
in a computationally cheap manner and recovers the shadow region with a more
complicated convolution module to ensure the quality of image reconstruction.
Given that the non-shadow region often contains more background color
information, we further develop a novel intra-convolution distillation loss to
strengthen the information flow from the non-shadow region to the shadow
region. Extensive experiments on the ISTD and SRD datasets show our method
achieves better performance in shadow removal over many state-of-the-arts. Our
code is available at https://github.com/xuyimin0926 /SADC.
- Abstract(参考訳): 多くの収集画像に広範囲の影があるため、未汚染画像が多くの下流マルチメディアタスクにおいて重要な意味を持つため、影の除去が注目を集めている。
現在の方法では、影領域と非陰影領域のカラーマッピングと非陰影領域の間の大きなギャップを無視しながら、影領域と非陰影領域の両方の同じ畳み込み操作を考慮し、再構成画像の品質が低下し、計算負荷が重い。
そこで本研究では,シャドウ領域と非シャドウ領域との相互依存を分離するための,新しいプラグアンドプレイ型シャドウ・アウェア・ダイナミック・コンボリューション(SADC)モジュールを提案する。
我々のSADCは、非陰影領域の色マッピングが学習が容易であるという事実に着想を得て、軽量な畳み込みモジュールで非陰影領域を計算的に安価に処理し、より複雑な畳み込みモジュールで影領域を復元し、画像再構成の品質を確保する。
また,非シャドウ領域には背景色情報が多く含まれることから,非シャドウ領域からシャドウ領域への情報フローを強化するため,新たにコンボリューション内蒸留損失が生じた。
ISTDおよびSRDデータセットの大規模な実験により,多くの最先端技術に対する影除去性能の向上が示された。
私たちのコードはhttps://github.com/xuyimin0926 /SADCで利用可能です。
関連論文リスト
- 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) - Pose with Style: Detail-Preserving Pose-Guided Image Synthesis with
Conditional StyleGAN [88.62422914645066]
任意のポーズで1つの画像から人物を再レンダリングするアルゴリズムを提案する。
既存の方法では、画像の同一性や細部を保ちながら、隠蔽されたコンテンツを写実的に幻覚することはしばしば困難である。
本手法は, 定量的評価と視覚的比較の両方において, 最先端のアルゴリズムと良好に比較できることを示す。
論文 参考訳(メタデータ) (2021-09-13T17:59:33Z) - CANet: A Context-Aware Network for Shadow Removal [27.73332935893127]
本稿では,影除去のためのコンテキスト認識ネットワークCANetを提案する。
非シャドウ領域からのコンテキスト情報は、埋め込み特徴空間の影領域に転送される。
提案したCANetを,2つのベンチマークデータセットと,複雑なシーンを持つ実世界の影画像を用いて評価した。
論文 参考訳(メタデータ) (2021-08-23T02:05:52Z) - Efficient and Differentiable Shadow Computation for Inverse Problems [64.70468076488419]
微分可能幾何計算は画像に基づく逆問題に対する関心が高まっている。
微分可能な可視性とソフトシャドウ計算のための効率的かつ効率的なアプローチを提案する。
定式化は微分可能であるため, テクスチャ, 照明, 剛体ポーズ, 画像からの変形回復などの逆問題を解くために使用できる。
論文 参考訳(メタデータ) (2021-04-01T09:29:05Z) - 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) - Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。
カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。
LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
論文 参考訳(メタデータ) (2021-03-19T04:00:27Z) - Auto-Exposure Fusion for Single-Image Shadow Removal [23.178329688546032]
シャドウ除去は、固有の背景依存性と空間変動特性のために、まだ困難な作業です。
最先端のディープニューラルネットワークでさえ、トレースレスのシャドウ除去された背景をほとんど回復できない。
本論文では, 課題解決のために, 露光融合問題として定式化することで, 新たなソリューションを提案する。
論文 参考訳(メタデータ) (2021-03-01T19:09:26Z) - Learning from Synthetic Shadows for Shadow Detection and Removal [43.53464469097872]
最近のシャドウ除去は、実対のシャドウ/シャドウフリーまたはシャドウ/シャドウ/マスクイメージデータセット上のすべてのトレイン畳み込みニューラルネットワーク(CNN)にアプローチしている。
今回紹介するSynShadowは、新しい大規模合成影/影なし/マット画像トリプレットデータセットと合成パイプラインである。
論文 参考訳(メタデータ) (2021-01-05T18:56:34Z) - 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)
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。