基于反射与Retinex模型利用CNN学习实现本征图像分解
计算机视觉与模式识别
2018-04-04 v2
摘要
大多数传统的本征图像分解工作依赖于推导关于场景特性的先验。另一方面，近期研究将深度学习模型用作端到端的黑盒，并未将成熟的传统图像形成过程作为其本征学习过程的基础。因此，尽管当前的深度学习方法在定量基准结果上表现出优越性能，传统方法在获得高质量定性结果方面仍占主导地位。本文旨在兼顾两者之长。提出了一种方法：(1) 借助深度学习能力，(2) 考虑基于物理的反射模型以引导学习过程，(3) 利用传统方法通过反射率和明暗梯度信息获取本征图像。所提模型计算快速，并允许整合所有本征分量。为训练新模型，创建了具有本征真值图像、以物体为中心的大规模数据集。评估结果表明新模型优于现有方法。视觉检查显示，图像形成损失函数增强了色彩再现，而梯度信息的运用产生了更锐利的边缘。数据集、模型及更高分辨率图像可在 https://ivi.fnwi.uva.nl/cv/retinet 获取。
引用
@article{arxiv.1712.01056,
title = {CNN based Learning using Reflection and Retinex Models for Intrinsic Image Decomposition},
author = {Anil S. Baslamisli and Hoang-An Le and Theo Gevers},
journal= {arXiv preprint arXiv:1712.01056},
year = {2018}
}
备注
CVPR 2018