真实场景中的明暗标注
计算机视觉与模式识别
2017-05-04 v1 图形学
摘要
理解图像中的明暗效果对于包括本征图像分解、阴影去除、图像重打光和逆渲染在内的多种视觉与图形学问题至关重要。与其他视觉任务一样，机器学习是理解明暗效果的一种有前景的方法——但真实世界图像中可用的真实明暗数据很少。我们引入了Shading Annotations in the Wild (SAW)，这是一个新的大规模公共数据集，包含室内场景中的明暗标注，由通过众包获得的多种形式的明暗判断以及从RGB-D图像自动生成的明暗标注组成。我们利用该数据训练卷积神经网络以预测图像中的逐像素明暗信息。我们展示了我们的数据和网络在本征图像应用中的价值，其中我们能够减少现有算法产生的分解伪影。我们的数据库可在 http://opensurfaces.cs.cornell.edu/saw/ 获取。
引用
@article{arxiv.1705.01156,
title = {Shading Annotations in the Wild},
author = {Balazs Kovacs and Sean Bell and Noah Snavely and Kavita Bala},
journal= {arXiv preprint arXiv:1705.01156},
year = {2017}
}
备注
CVPR 2017