反射率自适应滤波改进本征图像估计

将图像分离为反射率和光照层对于学习方法来说是一个挑战，因为不存在大量精确且真实的真值分解语料。Intrinsic Images in the Wild~(IIW) 数据集提供了一组稀疏的相对人类反射率判断，作为本征图像的标准基准。许多方法使用 IIW 来学习图像与其反射率层之间的统计依赖关系。尽管学习对高性能起着重要作用，我们表明一种标准信号处理技术取得了与当前最先进水平相当的性能。我们提出了一种用于密集反射率预测 CNN 学习的损失函数。我们的结果表明，一个简单的逐像素决策，无需任何上下文或先验知识，足以在 IIW 上提供强基线。这设定了一个仅有另外两种方法超越的竞争性基线。然后我们开发了一种联合双边滤波方法，实现了关于反射率恒定性的强先验知识。该滤波操作可应用于任何本征图像算法，并且我们改进了先前的若干结果，在 IIW 上实现了新的最先进水平。我们的发现表明，迄今为止基于学习的方法的影响可能被高估了。显式先验知识对于在本征图像分解中获得高性能仍然至少同样重要。