Intrinsic Image Decomposition Using Optimization and User Scribbles
PulseAugur coverage of Intrinsic Image Decomposition Using Optimization and User Scribbles — every cluster mentioning Intrinsic Image Decomposition Using Optimization and User Scribbles across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新方法利用潜在桥接匹配改进反照率估计
研究人员开发了一种新的反照率估计方法，这是内在图像分解的一个组成部分，使用了称为潜在桥接匹配（LBM）的技术。这种新颖的基于LBM的架构旨在通过提高物理一致性、降低推理过程中的计算成本以及增强跨不同数据集的泛化能力来克服当前方法的局限性。该方法结合了用于物理一致性的像素重建损失和用于增强泛化能力的阴影条件机制，并通过将阴影估计器条件化于预测的反照率来实现进一步改进。
-
Marigold V2 使用扩散 Transformer 推进单目深度估计
研究人员开发了 Marigold V2，这是单目深度估计领域的一项进展，它重新利用了扩散 Transformer (DiT) 架构。该新方法通过采用预训练流匹配模型的单步推理、与真实特征的语义对齐以及使用基于 Sinkhorn 的损失的新颖两阶段微调协议，实现了更清晰、更详细的深度图。Marigold V2 在 KITTI 和 ETH3D 等基准测试中显示出比先前模型显著的改进，并且在表面法线估计和内在图像分解等相关任务上也表现出最先进的性能。
-
新的GAINS框架使用基础模型进行稀疏视图正向渲染
研究人员开发了GAINS，一个新颖的两阶段正向渲染框架，它利用基础模型来改进从稀疏多视图捕获中估计的材质和几何。该方法通过整合单目深度、法线和用于几何精炼的扩散先验，然后进行分割、内在图像分解和用于材质恢复的扩散先验，来稳定过程。实验表明，GAINS显著提高了材质参数、重新照明和新视图合成的准确性，特别是在传统方法难以处理歧义的稀疏视图场景中。