我们提出了 DocDeshadower，一种基于多频变压器的模型，使用 Laplacian 金字塔以粗到细的方式去除不同频率的阴影。我们在模型中引入了两个新组件：注意力聚合网络和门控多尺度融合变压器。广泛的实验表明，DocDeshadower 在定性和定量方面均优于当前的最新方法。

Jul, 2023

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

该研究收集了多种场景的阴影图像并编译了一个新的包含 10,500 张阴影图片的数据集，每张图片都有标记的地面真值遮罩，以支持阴影检测。论文提出了一种快速阴影检测网络，其中包括细节增强模块，用来提取阴影细节，并证明了在一般情况下检测阴影的方法的有效性。

Nov, 2019

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

Shadows significantly impact computer vision tasks outdoors, but existing shadow removal methods are computationally intensive; therefore, ShadowRemovalNet, a novel method for real-time image processing on resource-constrained hardware, offers higher frame rates, efficiency, and simplicity, making it suitable for real-time computer vision applications such as outdoor robotics and edge computing.

Mar, 2024

提出一种以用户为中心的快速、交互式、强大和高质量的阴影去除方法，采用基于动态学习的检测方法及前沿用户指导的笔记，并采用归一化框架来实现阴影去除。此外，该论文还提供了第一个验证的和多场景类别的真实数据集，以及阴影去除算法的最全面比较和在线数据集的平台。

Aug, 2016

本文介绍了通过使用名为 DHAN 和 SMGAN 的网络结构来解决阴影区域颜色不一致和边界失真的问题，以提高场景理解的能力。

Nov, 2019

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

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

本文研究了图像合成中生成真实阴影以使合成图像更逼真的问题。作者通过使用物体阴影检测和修复技术创建了一个名为 DESOBAv2 的大规模数据集，其中包含了大量的室外场景图像和物体阴影对。在真实图像和去除阴影图像的基础上，可以构建合成图像和目标图像对。

Aug, 2023