Sep, 2024

SoftShadow：利用影子Aware软掩模进行阴影去除

HTML
PDF
TL;DR本研究解决了现有阴影去除方法依赖于二进制阴影掩模导致边界伪影的问题。提出的SoftShadow框架利用预训练的SAM并结合物理约束，精确预测部分阴影和完全阴影区域，从而有效进行阴影去除。实验表明，SoftShadow在修复边界伪影和整体性能上优于现有方法，展现了卓越的通用性。
发现论文，激发创造
  • Mask-ShadowGAN: 学习从非成对数据中去除阴影

    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

  • 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

  • 通过双重分层聚合网络和阴影抠图GAN实现无幽灵阴影去除

    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

  • 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

  • 使用合成阴影进行阴影检测和消除的学习

    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

  • 使用无监督域分类器引导网络进行单图硬阴影和软阴影去除的 DC-ShadowNet

    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

  • 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

  • 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

  • 使用深度学习进行单图像阴影去除的综述

    本文是对深度学习为基础的单幅图像阴影去除方法进行全面调查的第一篇论文，综述了之前的研究、性能比较以及可能的未来发展方向。

    Jul, 2024

  • 多尺度图像阴影去除的软硬注意力U-Net模型与基准数据集

    本研究解决了现有阴影去除方法在捕捉复杂阴影模式时的局限性，并提供了新的数据集以支持更全面的基准测试。提出的新型深度学习架构Soft-Hard Attention U-net（SHAU）结合软硬注意力模块和多尺度特征提取，有效提升了阴影去除的表现，实验结果显示在多个基准数据集中提升了阴影区域的信噪比和均方根误差显著。

    Aug, 2024