IntrinsicReal：从合成物体适配到真实物体的本征图像分解
图形学
2025-09-03 v1 计算机视觉与模式识别
摘要
从单一 RGB 图像估计阴影值（即本征图像分解）在真实世界环境中（例如 MVImgNet 数据集）是一个具有显著挑战性的任务，由于缺乏配对图像及其真实阴影值。因此，尽管近期方法（例如 IntrinsicAnything）通过利用强大的扩散先验实现了突破，但它们主要在大规模合成数据集（例如 Objaverse）上训练，并直接应用于真实世界的 RGB 图像，这忽略了合成数据与真实数据之间巨大的领域差距，导致泛化性能不佳。本文通过提出一种名为 IntrinsicReal 的新型域适应框架，来弥合上述差距，使其适用于真实世界的本征图像分解。具体而言，我们通过一种新颖的双伪标签策略，从而利用其高质量输出阴影值进行微调：i) 基于分类器预测的绝对置信度阈值的伪标签化；ii) 基于分类器预测对单个输入物体的相对偏好排序的伪标签化。该策略灵感来自人类评估，其中识别最高质量输出相对容易，但在次优案例中绝对得分变得不那么可靠。此时，对输出的相对比较会更加准确。为实现此目标，我们提出了一种新颖的两阶段管道，依次应用上述伪标签技术，以有效地将 IntrinsicAnything 适配到真实域。实验结果表明，我们的 IntrinsicReal 在合成数据集和真实世界数据集上均显著优于现有方法，实现了本征图像分解的状态突破性成果。
引用
@article{arxiv.2509.00777,
title = {IntrinsicReal: Adapting IntrinsicAnything from Synthetic to Real Objects},
author = {Xiaokang Wei and Zizheng Yan and Zhangyang Xiong and Yiming Hao and Yipeng Qin and Xiaoguang Han},
journal= {arXiv preprint arXiv:2509.00777},
year = {2025}
}