用于深度引导图像重光的多模分叉网络

杨浩翔、陈伟婷、罗浩伦、郭锡彦; IEEE/CVF计算机视觉和模式识别（CVPR）研讨会会议记录，2021年，第260-267页

摘要

图像重新照明旨在重新校准图像中的照明设置。在本文中，我们提出了一种基于深度学习的方法，称为多模分叉网络（MBNet），用于深度引导图像重照明。也就是说，给定一幅图像和相应的深度图，由我们的网络生成一幅具有给定光源角度和色温的新图像。该模型通过编码器中的分叉网络提取图像和深度特征。为了有效地利用这两个特征，我们在解码器中采用了动态扩展金字塔模块。此外，为了增加训练数据的多样性，我们提出了一种新的数据处理管道来增加训练数据数量。在VIDIT数据集上进行的实验表明，在NTIRE 2021深度指南一对一重振旗鼓挑战中，该解决方案在SSIM和PMS方面获得了第一名。

相关材料

[pdf格式][arXiv公司]
[围巾]
@会议记录{Yang_2021_CVPR，author={Yang，Hao-Hsiang and Chen，Wei-Ting and Luo，Hao-Lon and Kuo，Sy-Yen}，作者={杨浩翔与陈伟亭与罗浩伦与郭雪燕}，title={深度引导图像重光的多模分叉网络}，booktitle={IEEE/CVF计算机视觉和模式识别（CVPR）研讨会会议记录}，月={6月}，年份＝{2021}，页数={260-267}}