May, 2023

单幅图像去除阴影的相同映射转移：学习恢复不够

PDF
TL;DR本文提出了一种改进的阴影去除方法，通过分开训练不同的神经网络分支来解决现有阴影去除方法中存在的问题，使用迭代去阴影分支逐步去除阴影并利用相同映射结果指导阴影去除过程，并在多尺度特征的基础上逐渐传输非阴影区域的信息到阴影区域，最终通过智能聚合模块获得更优异的阴影去除结果。
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

  • ShadowFormer：利用全局上下文提升图像去阴影效果

    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

  • 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

  • 跨模态球面聚合弱监督遥感阴影去除

    提出了一种基于 S2-ShadowNet 的弱监督遥感阴影去除网络，在可见光和红外模式之间实现多模态协同，通过跨领域映射和球面特征空间提取修复表面信息，避免质量降低。

    Jun, 2024

  • 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

  • 基于阴影自适应攻击的图像去阴影方法对抗鲁棒性评估

    本文提出一种名为阴影自适应对抗攻击的新方法，通过根据阴影图像中不同区域的像素强度调整攻击预算，实现对阴影区域噪声更不可察觉，对非阴影区域扰动更具容忍度，结合该方法对现有阴影去除方法进行全面实证评估。

    Mar, 2024

  • 通过基于亮度引导的网络在非配对数据训练下进行阴影去除

    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

  • 逐步递归网络用于阴影去除

    单幅图像阴影去除是一个重要的任务，我们提出了一种简单而有效的渐进循环网络（PRNet）来逐步去除阴影，并在阴影特征提取和渐进阴影去除两个部分中使用 PRNet，从而在性能和时间之间取得平衡。实验证明，我们的方法可以有效去除阴影并取得卓越性能。

    Nov, 2023