- 语义引导的对抗扩散模型用于自监督阴影去除
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。
- 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。
- 基于潜在特征引导的扩散模型用于阴影去除
使用扩散模型进行纹理恢复在解决如何从含有阴影图像中推断出无阴影场景的问题上一直是个具有挑战性的难题。本文提出了使用扩散模型的方法，通过在扩散过程中逐渐细化阴影区域的细节，其中借鉴了具备无阴影图像特征的学习潜在特征空间，从而避免了只基于退化图 - Deshadow-Anything：当分割任意对象模型遇见零照明去除
通过消除图像中的阴影同时保留图像细节，Segment Anything (SAM) 模型在图像分割和计算机视觉领域树立了新的基准，但在区分阴影和背景时仍面临挑战。为了解决这个问题，我们开发了 Deshadow-Anything，考虑到大规模 - ShaDocFormer：具有级联融合细化器的文档阴影去除的阴影注意力阈值检测器
提出了一种基于 Transformer 的体系结构 ShaDocFormer，通过整合传统方法和深度学习技术解决了文档阴影消除问题，通过阴影 - 注意阈值检测器（STD）和级联融合细化器（CFR）两个组件，能够精确检测和捕捉阴影和照明的变化 - DocDeshadower：基于频率感知的文档去阴影变压器
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，DocDeshadowe - 单幅图像去除阴影的相同映射转移：学习恢复不够
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 - ECCVCNSNet: 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。
- ICCV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。
- D$^2$NeRF: 自监督解耦单目视频中的动态和静态物体
本文介绍了一种自我监督的方法 D^2NeRF，可以基于单目视频学习 3D 场景，分离动态物体与静态背景，实现影子的分离与消除，并在各种场景下获得较好的效果。
- ICCVCANet: 用于阴影去除的上下文感知网络
本文提出了一种新的两阶段上下文感知网络（CANet）用于阴影去除，其中非阴影区域的上下文信息被转移到嵌入式特征空间中的阴影区域，通过重构特征图实现分别在 L 和 A/B 通道上移除阴影，并提出了一种编码器 - 解码器来优化当前结果，实验结果 - CVPR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 - CVPR单图像去阴影自动曝光融合
本文提出了使用曝光融合方法进行阴影去除的新解决方案，其中包括将输入图像的多个过度曝光图像的阴影区域与其无阴影区域的颜色相同，使用阴影感知的 FusionNet 生成融合权重图，并使用边界感知的 RefineNet 去除剩余的阴影痕迹。实验表 - 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， - 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 - ECCV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。
- 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。
- 人像阴影处理
本文提出了一个计算方法，通过使用神经网络去除外部阴影并软化面部阴影，同时添加合成填充光线，从而使拍摄不佳的人像照片得以以逼真和易于控制的方式进行重新照明。
- AAAI使用生成对抗网络探索残差和光照进行阴影去除的 RIS-GAN
本文提出了一种使用生成对抗网络来探索残留图像和亮度估计的 RIS-GAN 框架，以粗到细的方式生成间接阴影去除图像，其通过三个鉴别器来检测负残留图像、阴影去除图像和反向亮度图的真假，实验表明该方法在阴影去除上表现优异而且无需特定的阴影感知组