Single-Image Localised Reflection Removal with k-Order Differences Term

Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F25%3A00386497" target="_blank" >RIV/68407700:21230/25:00386497 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.1007/978-3-031-95918-9_8" target="_blank" >https://doi.org/10.1007/978-3-031-95918-9_8</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-031-95918-9_8" target="_blank" >10.1007/978-3-031-95918-9_8</a>

Jazyk výsledku
angličtina
Název v původním jazyce
Single-Image Localised Reflection Removal with k-Order Differences Term
Popis výsledku v původním jazyce
We introduce the problem of localized glass-reflection removal (LGRR), which targets the removal of highlights caused by light reflections on glass surfaces. Our approach uses an end-to-end convolutional neural network trained on MS-COCO image crops with synthetic reflections generated from real light source images. We propose a cost function that includes image difference terms and show that it improves reflection removal and inpainting compared to standard L1 and L2 losses. Experimental results demonstrate that our method effectively reduces localized reflections.
Název v anglickém jazyce
Single-Image Localised Reflection Removal with k-Order Differences Term
Popis výsledku anglicky
We introduce the problem of localized glass-reflection removal (LGRR), which targets the removal of highlights caused by light reflections on glass surfaces. Our approach uses an end-to-end convolutional neural network trained on MS-COCO image crops with synthetic reflections generated from real light source images. We propose a cost function that includes image difference terms and show that it improves reflection removal and inpainting compared to standard L1 and L2 losses. Experimental results demonstrate that our method effectively reduces localized reflections.

Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt
<a href="/cs/project/GA25-15993S" target="_blank" >GA25-15993S: Detekce anomálních vstupů nebo vstupů mimo trénovací distribuci v modelech hlubokých neuronových sítí</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění
2025
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Podobné výsledky(10)