論文の概要: Ordinality of Visible-Thermal Image Intensities for Intrinsic Image Decomposition

• arxiv url: http://arxiv.org/abs/2509.10388v1
• Date: Fri, 12 Sep 2025 16:29:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:08.160977
• Title: Ordinality of Visible-Thermal Image Intensities for Intrinsic Image Decomposition
• Title（参考訳）: 固有画像分解のための可視熱画像強度の規則性
• Authors: Zeqing Leo Yuan, Mani Ramanagopal, Aswin C. Sankaranarayanan, Srinivasa G. Narasimhan,
• Abstract要約: 本稿では,一対の可視画像と熱画像のみを用いた内在画像分解のためのトレーニング不要アプローチを提案する。 我々は不透明な表面から反射しない光が熱カメラによって吸収され、熱として検出されるという原理を活用する。 これにより、可視画像強度と熱画像強度の順序性と、陰影と反射率の順序性とを関連付けることができる。
• 参考スコア（独自算出の注目度）: 25.579052761222513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decomposing an image into its intrinsic photometric factors--shading and reflectance--is a long-standing challenge due to the lack of extensive ground-truth data for real-world scenes. Recent methods rely on synthetic data or sparse annotations for limited indoor and even fewer outdoor scenes. We introduce a novel training-free approach for intrinsic image decomposition using only a pair of visible and thermal images. We leverage the principle that light not reflected from an opaque surface is absorbed and detected as heat by a thermal camera. This allows us to relate the ordinalities between visible and thermal image intensities to the ordinalities of shading and reflectance, which can densely self-supervise an optimizing neural network to recover shading and reflectance. We perform quantitative evaluations with known reflectance and shading under natural and artificial lighting, and qualitative experiments across diverse outdoor scenes. The results demonstrate superior performance over recent learning-based models and point toward a scalable path to curating real-world ordinal supervision, previously infeasible via manual labeling.
• Abstract（参考訳）: イメージをその固有の測光要素(シェーディングとリフレクタンス)に分解することは、現実世界のシーンに膨大な地平データがないため、長年の課題である。 近年の手法は、室内の限られたシーンと、より少ない屋外シーンのための合成データやスパースアノテーションに依存している。 本稿では,一対の可視画像と熱画像のみを用いた内在画像分解のための新しいトレーニングフリーアプローチを提案する。 我々は不透明な表面から反射しない光が熱カメラによって吸収され、熱として検出されるという原理を活用する。 これにより、可視画像強度と熱画像強度の順序性とシェーディングと反射の順序性を関連付けることができ、それによって、最適化されたニューラルネットワークを密に自己監督し、シェーディングと反射を回復することができる。 自然照明および人工照明下での反射率および陰影の定量的評価を行い,屋外の様々な場面における定性的実験を行った。 その結果,近年の学習モデルよりも優れた性能を示し,従来手動ラベリングでは実現不可能であった,現実世界の順序管理のカリキュラム化に向けたスケーラブルな経路に向けられた。

関連論文リスト

• PIR: Photometric Inverse Rendering with Shading Cues Modeling and Surface Reflectance Regularization [46.146783750386994]
  本稿では,ニューラル・リバース・レンダリングの新しい手法を提案する。 画像の自己陰影を考慮した光源位置の最適化を行う。 表面反射率の分解性を高めるために,新しい正則化を導入する。
  論文  参考訳（メタデータ） (2024-08-13T11:39:14Z)
• SIRe-IR: Inverse Rendering for BRDF Reconstruction with Shadow and Illumination Removal in High-Illuminance Scenes [51.50157919750782]
  本稿では,環境マップ,アルベド,粗さにシーンを分解する暗黙のニューラルレンダリング逆アプローチSIRe-IRを提案する。 間接放射場、通常光、可視光、および直接光を同時に正確にモデル化することにより、影と間接光の両方を除去することができる。 強い照明の存在下でも,影の干渉を伴わずに高品質なアルベドと粗さを回収する。
  論文  参考訳（メタデータ） (2023-10-19T10:44:23Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• TensoIR: Tensorial Inverse Rendering [51.57268311847087]
  テンソルIRはテンソル分解とニューラルフィールドに基づく新しい逆レンダリング手法である。 TensoRFは、放射場モデリングのための最先端のアプローチである。
  論文  参考訳（メタデータ） (2023-04-24T21:39:13Z)

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。