AAAIFeb, 2023

ShadowFormer：利用全局上下文提升图像去阴影效果

PDF
TL;DR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。
deep learningimage shadow removalretinex-based shadow modeltransformer-based networkshadow-interaction module
发现论文，激发创造
  • 基于物理的阴影图像分解技术用于去除阴影

    通过使用线性光照转换建模阴影效应，提出了一种深度学习方法，使用 SP-Net 和 M-Net 来预测阴影参数和阴影遮罩，并采用修补网络 I-Net 进一步优化结果，在 ISTD 数据集上测试表明，在阴影区域方面，我们的方法比现有方法提高了 20％，同时提出了一种基于补丁的弱监督阴影去除方法，并引入了一个用于评估阴影去除方法的视频数据集 SBU-Timelapse。

    Dec, 2020

  • 从阴影生成到阴影去除

    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

  • 通过阴影图像分解实现阴影去除

    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

  • 重塑区域照明以消除阴影

    该研究论文提出了一种新方法，通过在阴影区域中校正本地光照来修复被衰减的纹理。实验证明，该方法在三个基准测试上优于现有的阴影去除方法。

    Feb, 2024

  • 从阴影分割到阴影去除

    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

  • 深入探究暗区以实现强鲁棒阴影检测

    通过学习全局环境下的背景特征，并聚焦于暗区域，我们提出了一种新的阴影检测方法，优于现有方法，并在三个主流阴影检测数据集上进行了广泛实验验证。

    Feb, 2024

  • ShadowMaskFormer：面具增强的补丁嵌入用于阴影去除

    提出了一种用于去除阴影的基于 Transformer 的框架，称为 ShadowMaskFormer，通过引入阴影信息和改进的 patch embedding 来提高模型在获取阴影区域知识方面的效果。在 ISTD、ISTD + 和 SRD 基准数据集上的实验证明了该方法相对于现有方法在使用更少模型参数的情况下的有效性。

    Apr, 2024

  • 基于结构化深度边缘检测的影子优化

    本文提出了一种基于 CNN 学习的阴影区域恢复框架，利用阴影边缘的本地结构和图像区域的复杂交互来计算阴影 / 明亮度量，进而通过最小二乘优化问题进行阴影恢复，实现了在不同条件下收集的主要阴影基准数据库上的最先进结果。

    May, 2015

  • CNSNet: 一种用于影子去除的清洁导向影子网络

    提出了一种基于 CNN 的另类解决方案，即 CNSNet，通过 SOAN 模块和 SAAT 模块中的阴影掩模来引导阴影区域的修复，并取得了超越三个基准数据集的阴影去除效果。

    Sep, 2022

  • 基于方向感知的空间背景特征用于阴影检测和去除

    本文提出了一种基于深度神经网络和方向感知注意机制的阴影检测和去除方法，并提供了相应的实验和对比结果。

    May, 2018