本研究提出了一种多任务学习的方法，用于联合学习阴影检测和去除。基于条件生成对抗网络的堆叠式模型，该模型可以共同学习这两个任务。研究构建了首个大规模基准，验证了该框架的优越性。

Dec, 2017

我们提出了一种基于语义引导的对抗扩散框架，用于自监督的去除阴影，并通过两个阶段的训练来改善生成图像的质量。我们的方法在多个公开数据集上进行实验，并证明了其有效性。

Jul, 2024

本文提出了一种新的阴影去除方法，使用非配对数据，不仅避免了繁琐的注释，还能够获得更多样化的培训样本。该研究使用了 Mask-ShadowGAN 框架，通过重新定义的循环一致性约束实现自动学习产生阴影屏蔽层，用于对阴影图像的生成进行指导，这在各种实验中表现出很高的效果。

Mar, 2019

本文提出了一种无监督领域分类器引导的网络 DC-ShadowNet，基于物理学成像模型和感知特性模型提供了新的损失函数，使其对软 阴影的处理能力得到了很大提高，同时在定量和定性上均表现出更好的阴影去除效果。

Jul, 2022

本文提出了一种新的 G2R-ShadowNet 方法，通过使用一组阴影图像及其相应的阴影掩模进行训练，利用阴影生成进行弱监督阴影去除。此方法包含三个子网络，分别为阴影生成、阴影去除和细化，共同以端到端的方式进行训练，通过广泛的实验表明，这种方法在 ISTD 数据集和 Video Shadow Removal 数据集上取得了竞争性结果，并且优于以往方法。

Mar, 2021

本文提出一种利用对抗训练和基于物理学的约束从而只使用阴影和非阴影区域进行阴影去除，可以应用于视频阴影去除的方法，该方法在我们提出的视频阴影去除数据集上的表现优于现有方法。

Aug, 2020

本文提出了一种基于轻度信息引导的深度学习方法，分为两个 CNN 模块完成去阴影操作，通过非配对数据的训练达到了优于现有方法的效果。

Jun, 2020

该研究提出了一种 Retinex-based 阴影模型和 ShadowFormer 转换器网络，通过多尺度通道的注意机制和 Shadow-Interaction Module 中的 Shadow-Interaction Attention 对阴影和非阴影区域之间的全局联系进行建模。经验证，该方法在三个常用的公共数据集中实现了最先进的性能。

Feb, 2023

介绍了 SynShadow，这是一个新的大规模合成阴影 / 无阴影 / 亚光图像三元组数据集及其产生方法：通过对物理接地阴影照明模型的扩展，利用透明图像、亚光图像和阴影衰减参数的任意组合来合成阴影图像，并展示了在一些具有挑战性的基准测试上，使用该数据集支持训练的阴影去除模型的优异表现以及简单微调自 SynShadow 预训练模型的改进效果，并且提供了公开的代码

Jan, 2021

本研究提出了一种基于深度学习的去除影子方法，通过线性照明转换模拟影子的形成，使用 SP-Net 和 M-Net 网络分别预测影子的参数和阴影掩层，通过在 ISTD 数据集上训练，相比其他方法取得了 40％的错误率降低并使用扩充的 ISTD 数据集进一步优化了效果。

Aug, 2019