DARN：用于本征图像分解的深度对抗残差网络
计算机视觉与模式识别
2018-03-21 v2
摘要
我们提出了一种新的深度监督学习方法，用于将单幅图像本征分解为反照率和阴影分量。我们的贡献基于一种新的全卷积神经网络，该网络联合估计绝对反照率和阴影。我们的解决方案依赖于单一的端到端深度残差块序列，以及由两个对抗训练的判别器构成的感知驱动度量。与经典的本征图像分解工作不同，该方法是完全数据驱动的，因此不需要任何诸如阴影平滑性或反照率稀疏性的物理先验，也不依赖诸如深度的几何信息。与近期的深度学习技术相比，我们简化了架构，使其更易于构建和训练，并约束其生成有效且可逆的分解。我们重新讨论并扩充了定量度量集，以解释非尺度不变量更具挑战性的恢复问题。我们在公开可用的 MPI Sintel 数据集及其本征图像分解上训练并演示了我们的架构，展示了过拟合问题的减弱，并讨论了向其他数据的泛化能力。结果表明，我们的工作在定性和定量方面均优于现有技术深度算法。
引用
@article{arxiv.1612.07899,
title = {DARN: a Deep Adversial Residual Network for Intrinsic Image Decomposition},
author = {Louis Lettry and Kenneth Vanhoey and Luc Van Gool},
journal= {arXiv preprint arXiv:1612.07899},
year = {2018}
}
备注
Published in Winter Conference on Applications of Computer Vision 2018