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

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。

May, 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

本文介绍了 S3R-Net，一种自监督阴影去除网络，利用双分支 WGAN 模型实现自监督，并通过数据库中未对齐的无阴影参考图像推断输出数据的特征。与大部分有监督框架和少数现有的循环一致性自监督模型不同，S3R-Net 是单向、非循环的解决方案，同时在保持计算成本低的同时实现了与最新的自监督阴影去除模型相当的数值得分和更好的定性性能。

Apr, 2024

本文提出了一种自适应场景红外和可见图像配准方法，其使用多模态传感器模块进行场景感知。该方法采用反演平移过程建立多模态图像的不变性域，并利用单应性对不同平面间的变形进行仿真，并通过残差估计、相关性搜索等方法实现更准确的匹配，最终验证了该方法的有效性。

Apr, 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