論文の概要: DC-ShadowNet: Single-Image Hard and Soft Shadow Removal Using Unsupervised Domain-Classifier Guided Network

• arxiv url: http://arxiv.org/abs/2207.10434v2
• Date: Sat, 5 Aug 2023 17:31:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-09 01:09:35.670995
• Title: DC-ShadowNet: Single-Image Hard and Soft Shadow Removal Using Unsupervised Domain-Classifier Guided Network
• Title（参考訳）: DC-ShadowNet: Unsupervised Domain-Classifier Guided Network を用いたシングルイメージハードとソフトシャドウ除去
• Authors: Yeying Jin, Aashish Sharma, and Robby T. Tan
• Abstract要約: 教師なしドメイン分類器ガイド付きシャドー除去ネットワークDC-ShadowNetを提案する。 物理に基づく無影色度, シャドウロスの知覚的特徴, 境界の滑らかさに基づく新しい損失を導入した。 実験の結果,これらすべての新しいコンポーネントは,ソフトシャドウの処理だけでなく,ハードシャドウの処理にも有効であることがわかった。
• 参考スコア（独自算出の注目度）: 28.6541488555978
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shadow removal from a single image is generally still an open problem. Most existing learning-based methods use supervised learning and require a large number of paired images (shadow and corresponding non-shadow images) for training. A recent unsupervised method, Mask-ShadowGAN~\cite{Hu19}, addresses this limitation. However, it requires a binary mask to represent shadow regions, making it inapplicable to soft shadows. To address the problem, in this paper, we propose an unsupervised domain-classifier guided shadow removal network, DC-ShadowNet. Specifically, we propose to integrate a shadow/shadow-free domain classifier into a generator and its discriminator, enabling them to focus on shadow regions. To train our network, we introduce novel losses based on physics-based shadow-free chromaticity, shadow-robust perceptual features, and boundary smoothness. Moreover, we show that our unsupervised network can be used for test-time training that further improves the results. Our experiments show that all these novel components allow our method to handle soft shadows, and also to perform better on hard shadows both quantitatively and qualitatively than the existing state-of-the-art shadow removal methods. Our code is available at: \url{https://github.com/jinyeying/DC-ShadowNet-Hard-and-Soft-Shadow-Removal}.
• Abstract（参考訳）: 単一の画像からのシャドー除去は、一般的には未解決の問題である。 既存の学習ベース手法の多くは教師あり学習を用いており、訓練には多数のペア画像(陰影と対応する非陰影画像)を必要とする。 最近の教師なし手法である Mask-ShadowGAN~\cite{Hu19} はこの制限に対処する。 しかし、影領域を表すために二項マスクが必要であるため、柔らかい影には適用できない。 そこで本研究では,非教師付きドメイン分類器誘導影除去ネットワークdc-shadownetを提案する。 具体的には、shadow/shadow-freeドメイン分類器をジェネレータとその判別器に統合し、シャドウ領域に集中できるようにする。 ネットワークをトレーニングするために,物理系シャドウフリー色度,シャドウロバスト知覚特徴,境界平滑性に基づく新たな損失を導入する。 さらに,教師なしのネットワークをテスト時のトレーニングに利用することで,さらに結果が向上することを示す。 実験により,これらの新成分はすべてソフトシャドウを処理できるとともに,従来のシャドウ除去法よりも定量的かつ定性的にハードシャドウを処理できることを示した。 我々のコードは以下の通りである。 \url{https://github.com/jinyeying/DC-ShadowNet-Hard-and-Soft-Shadow-Removal}。

関連論文リスト

• SoftShadow: Leveraging Penumbra-Aware Soft Masks for Shadow Removal [35.16957947180504]
  シャドウ除去に特化して設計された新しいソフトシャドウマスクを導入する。 このようなソフトマスクを実現するために,事前学習されたSAMの事前知識を活用したtextitSoftShadowフレームワークを提案する。 このフレームワークは、端から端までのシャドウ除去を同時に容易にしながら、ペナムブラ(部分陰影領域)とウンブラ(完全に陰影領域)の正確な予測を可能にする。
  論文  参考訳（メタデータ） (2024-09-11T06:12:26Z)
• 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)
• 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)
• Shadow-Aware Dynamic Convolution for Shadow Removal [80.82708225269684]
  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。
  論文  参考訳（メタデータ） (2022-05-10T14:00:48Z)
• UnShadowNet: Illumination Critic Guided Contrastive Learning For Shadow Removal [14.898039056038789]
  弱教師付きシャドウ除去フレームワークUnShadowNetを導入する。 イルミネーションネットワークの誘導の下で抽出した影を除去するDeShadowerネットワークで構成されている。 We show that UnShadowNet can be extended to a full-supervised set-up to to exploit the ground-truth when available。
  論文  参考訳（メタデータ） (2022-03-29T11:17:02Z)
• 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。