图像反光能被一键去除了？港科大开源RFC，仅用一个操作，强反光也能完美去除｜CVPR2021...

点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨雷晨阳审稿丨邓富城编辑丨极市平台导读本文介绍一篇来自香港科技大学中稿CVPR2021的工作，工作采用了硬件和软件结合做底层图像...

3Ｄ视觉工坊

3774人浏览 · 2021-04-05 00:00:00

3Ｄ视觉工坊 · 2021-04-05 00:00:00 发布

点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

作者丨雷晨阳

审稿丨邓富城

编辑丨极市平台

导读

本文介绍一篇来自香港科技大学中稿CVPR2021的工作，工作采用了硬件和软件结合做底层图像处理的方法，主要介绍了一种鲁棒性和精确性都很强的去反光算法，在定量指标和视觉效果上都显著超过了其他的算法。

代码以及数据集：https://github.com/ChenyangLEI/flash-reflection-removal
项目主页：https://chenyanglei.github.io/flashrr_rfc/index.html
论文：https://arxiv.org/pdf/2103.04273.pdf
利用偏振光去反射：https://github.com/ChenyangLEI/polarization-reflection-removal

本文介绍了一种非常鲁棒的去反光算法，在定量指标和视觉效果上都显著超过了其他的算法。

摘要

我们的算法主要利用了一张额外的闪光照片（Flash image）来进行去反射（Reflection Removal），只需要一步操作，我们可以极大地提升效果。本文的主要贡献有三个：

我们提出了一种新颖的提示（Reflection-free Flash-only Cues，RFC），该提示使区分反射更容易，从而进行更好地去反射。该提示非常可靠的，因为它与环境光下的反射的外观和强度无关。
我们提出了一个专用框架，该框架可以在使用RFC的同时避免引入仅闪光图像的artifacts。与最新技术相比，我们在真实数据集上的PSNR提高了5.23dB以上，SSIM提高了0.04，在LPIPS中减小了0.068。
我们构造了第一个包含raw数据和RGB数据的数据集，以用于基于闪光的去反射。

背景

什么是去反射？观察玻璃后的背景时，玻璃上有镜面反射，导致背景物体的结构、颜色清晰度下降。例如在商场中透过玻璃看商品，在展览馆中通过玻璃看作品，再例如从车窗外看车内的人。

为什么要去反射？当我们的目标是背景时，反射属于干扰信号。反射可能影响照片美观，或者影响其他算法在照片的效果（例如目标检测）。

为什么去反射比较困难？反射和背景都是自然图像，难以分辨。在许多情况下，只看图片的一部分，即便人类也无法分辨。

Reflection-free Flash-only Cues (RFC)

首先介绍一个概念，纯闪光图片（Flash-only image）。

和一般的单张图片去反射方法上图(a) 相比，我们的方法需要多拍摄一张闪光照片图(b)。我们命名环境光照（ambient illumination）下的图片为，加上闪光光照（flash illuminating）的图片为。我们处理得到的图片是上图(c)，纯闪光图片。如何获得？

注意此处我们需要这两张图片的raw image，因为sRGB图片的数值和光照并非线性相关。R和T分别表示闪光和背景。式子（3）是最关键的一步操作。由式子（3）可以知道，环境光照下的反光已经完全消失，但是还有flash-only光照下的反光。我们认为，它在大多数情况下为0。因为闪光灯具有方向性，只会照亮前面的东西，不会照亮后面的东西。而玻璃的反光在经过多次弹射之后进入相机已经比较弱了。

网络结构

虽然纯闪光照片不包含任何的（环境光下的反光），但是这张图片本身存在很多质量上的问题，包括：（1）偏色；（2）不均匀光照（由物体的远近和形状导致）；（3）闪光灯反光；（4）新的阴影或者被照亮的灰尘。如下图：我们需要设计一种结构，既可以利用到RFC的优点，又能规避上述纯闪光图片I_{fo}的缺陷。因此我们设计了一个两阶段的框架，第一个阶段只预测R_a，第二阶段再预测T_a。我们框架的目的是让最终得到的图片依赖于I_a而非I_{fo}，而I_{fo}只作为一个参考图片。这样子，的artifacts在第一个阶段就可以被拦截了。

如果单纯利用一个网络来预测会怎么样呢？我们实验发现网络倾向于从生成最终的结果，上述的多种artifact就会被引入。

实验结果

我们对比了两类算法：单图去反射算法和基于闪光的去反射算法。上表展示了定量对比的结果，我们的表现显著超过了其他算法（包括其他基于闪光的去反光算法）。

上图展示了一个视觉对比结果，我们的算法在强的反光下仍然可以去掉反光，这主要得益于纯闪光图片的引导。

上图展示了一个视觉对比结果，我们的算法可以鲁棒地去掉反光。

上图展示了一个视觉对比结果，和最新的基于闪光的去反射算法相比较（SDN, IJCV2020），我们可以更好的去掉强反光（当然，弱的反光更不在话下）。

讨论与总结

我们相信纯闪光图片还可以被运用到很多其他的领域中。例如，我们发现环境光下的阴影也会在中消失，也就是说，也可以用去阴影。其次，在纯反光图片中只有一个光源，这对于很多领域也是非常重要的，例如photometric stereo。

由于我们的reflection-free cues，我们的算法的鲁棒性和精确性都很强，这从很多实验结果中也可以得到印证。尽管我们需要多拍一张照片，但是可以通过客制的程序来以很小的代价实现这一点（连拍两张照片）。我们的缺点在于，当物体离玻璃很远时，闪光灯可能无法照到物体，那么就全黑了，当然，这也是多数active-sensing的共同缺点，存在距离限制。

参考文献：

[1] Amit Agrawal, Ramesh Raskar, Shree K Nayar, andYuanzhen Li. Removing photography artifacts using gradi-ent projection and flash-exposure sampling. InSIGGRAPH. 2005

[2] Yakun Chang, Cheolkon Jung, Jun Sun, and Fengqiao Wang.Siamese dense network for reflection removal with flash andno-flash image pairs.Int. J. Comput. Vis., 128(6):1673–1698,2020.

[3] Chenyang Lei, Xuhua Huang, Mengdi Zhang, Qiong Yan,Wenxiu Sun, and Qifeng Chen. Polarized reflection removalwith perfect alignment in the wild

[4] YiChang Shih, Dilip Krishnan, Fredo Durand, and William TFreeman. Reflection removal using ghosting cues. InCVPR,2015

[5] Tianfan Xue, Michael Rubinstein, Ce Liu, and William T.Freeman. A computational approach for obstruction-freephotography. ACM Trans. Graph., 34(4):79:1–79:11, 2015.

[6] Yang Yang, Wenye Ma, Yin Zheng, Jian-Feng Cai, andWeiyu Xu. Fast single image reflection suppression via con-vex optimization.

[7] Xuaner Zhang, Ren Ng, and Qifeng Chen. Single imagereflection separation with perceptual losses. In CVPR, 2018.

本文仅做学术分享，如有侵权，请联系删文。

下载1

在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。

下载2

在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。

下载3

在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。