从观察世界中学习本征图像分解

单视图本征图像分解是一个高度不适定问题，因此一个有前景的方法是从大量数据中学习。然而，为本征图像大规模收集真值训练数据十分困难。在本文中，我们探索了一种不同的学习本征图像的方法：观察随时间描绘同一场景且光照变化的图像序列，并学习与这些变化一致的单视图分解。该方法使我们无需真值分解即可学习，而是在训练时利用多幅图像提供的信息。我们训练好的模型随后可在测试时应用于单视图。我们描述了一种基于该思想的新学习框架，包括可在整个序列上高效评估的新损失函数。尽管先前的基于学习的方法在特定基准上取得了良好性能，我们展示了我们的方法能很好地泛化到多个不同的数据集，包括 MIT 本征图像、Intrinsic Images in the Wild 和 Shading Annotations in the Wild。