一致性感知的明暗排序选择性融合用于本征图像分解
计算机视觉与模式识别
2018-10-24 v1
摘要
我们解决将单幅图像分解为反射率与光照的问题。困难源于图像分量——表面反照率、直接光照与环境光照——在观测图像中严重耦合。我们提出通过按相对亮度对像素排序来推断光照，而无需事先知道图像分量的绝对值。像素对光照排序以两种方式估计：亮度顺序与局部光照场的低阶拟合。亮度顺序是一种非局部度量，可应用于任意像素对，包括那些反射率与光照均不同的像素对。低阶拟合用于平滑光照局部区域内的像素对。二者结合可捕获光照的全局顺序结构与局部变化。我们提出一致性感知选择性融合（CSF）将像素对顺序整合为全局一致顺序。迭代选择过程解决不同估计方法获得的像素对顺序之间的冲突。不一致或不可靠的像素对顺序将自动从融合中排除，以避免污染全局顺序。在 MIT 本征图像数据集上的实验表明，所提模型能有效恢复包括深阴影在内的光照。我们的模型在来自 IIW 数据集、UIUC 阴影数据集与 NYU-Depth 数据集的自然图像上也表现良好，其中直接光与环境光的颜色差异很大。
引用
@article{arxiv.1810.09706,
title = {Consistency-aware Shading Orders Selective Fusion for Intrinsic Image Decomposition},
author = {Yuanliu Liu and Ang Li and Zejian Yuan and Badong Chen and Nanning Zheng},
journal= {arXiv preprint arXiv:1810.09706},
year = {2018}
}