Direct Intrinsics：通过卷积回归学习反照率-阴影分解
计算机视觉与模式识别
2015-12-09 v1
摘要
我们提出了一种用于本征图像分解（即将单幅图像分解为反照率和阴影分量）的新方法。我们的策略被称为 Direct Intrinsics，是学习一个卷积神经网络（CNN），直接从输入的 RGB 图像块预测输出的反照率和阴影通道。Direct Intrinsics 脱离了通常依赖于物理动机先验和基于图的推断算法的经典本征图像分解技术。MPI Sintel 数据集的大规模合成真值在训练 Direct Intrinsics 中起着关键作用。我们在 Sintel 的合成图像和经典 MIT 本征图像数据集的真实图像上展示了结果。在 Sintel 上，仅使用 RGB 输入的 Direct Intrinsics 优于所有先前工作，包括依赖 RGB+深度输入的方法。Direct Intrinsics 还跨模态泛化；它在 MIT 数据集的真实图像上产生了相当合理的分解。我们的结果表明，CNN 与合成训练数据的结合可能是解决计算机视觉中经典问题的强大新技术。
引用
@article{arxiv.1512.02311,
title = {Direct Intrinsics: Learning Albedo-Shading Decomposition by Convolutional Regression},
author = {Takuya Narihira and Michael Maire and Stella X. Yu},
journal= {arXiv preprint arXiv:1512.02311},
year = {2015}
}
备注
International Conference on Computer Vision (ICCV), 2015