基于阴影图像分解的阴影去除方法
计算机视觉与模式识别
2019-08-26 v1
摘要
我们提出了一种新颖的深度学习阴影去除方法。受阴影形成物理模型的启发，我们使用线性光照变换来建模图像中的阴影效应，使得阴影图像可以表示为无阴影图像、阴影参数与遮罩层的组合。我们分别使用两个深度网络——SP-Net 与 M-Net——来预测阴影参数与阴影遮罩。该系统使我们能够去除图像上的阴影效应。我们在最具挑战性的阴影去除数据集（ISTD）上训练并测试了我们的框架。与当前最先进的方法相比，我们的模型在阴影区域的均方根误差（RMSE）上实现了 40% 的误差降低，将 RMSE 从 13.3 降至 7.9。此外，我们基于图像分解系统，通过修改阴影参数生成新的合成阴影图像，创建了一个增强的 ISTD 数据集。在此新的增强 ISTD 数据集上训练我们的模型，进一步将阴影区域的 RMSE 降低至 7.4。
引用
@article{arxiv.1908.08628,
title = {Shadow Removal via Shadow Image Decomposition},
author = {Hieu Le and Dimitris Samaras},
journal= {arXiv preprint arXiv:1908.08628},
year = {2019}
}
备注
ICCV 19 Poster. Higher resolution version is available in the project homepage: www3.cs.stonybrook.edu/~cvl/projects/SID/index.html