Mask-ShadowGAN：从无配对数据中学习去除阴影
计算机视觉与模式识别
2020-05-19 v3 多媒体
摘要
本文提出了一种利用无配对数据进行阴影去除的新方法，使我们能够避免繁琐的标注并获得更多样化的训练样本。然而，由于阴影图像与无阴影图像之间的映射并非简单的一一对应，直接采用对抗学习和循环一致性约束不足以学习阴影域与无阴影域之间的潜在关系。为解决该问题，我们构建了 Mask-ShadowGAN，这是一种新的深度框架，可自动从输入阴影图像中学习生成阴影掩码，然后利用该掩码通过重新表述的循环一致性约束来引导阴影生成。特别地，该框架同时学习生成阴影掩码和学习去除阴影，以最大化整体性能。此外，我们为阴影去除准备了一个无配对数据集，并在多种实验中证明了 Mask-ShadowGAN 的有效性，即便其是在无配对数据上训练的。
引用
@article{arxiv.1903.10683,
title = {Mask-ShadowGAN: Learning to Remove Shadows from Unpaired Data},
author = {Xiaowei Hu and Yitong Jiang and Chi-Wing Fu and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:1903.10683},
year = {2020}
}
备注
Accepted to ICCV 2019