重塑区域照明以消除阴影
内容提要
该文综述阴影去除研究进展，涵盖Retinex阴影模型、ShadowFormer、扩散模型纹理恢复、G2R-ShadowNet弱监督方法、SP-Net与M-Net线性光照建模、CNN阴影恢复、交互式去除、对抗训练视频去阴影及多分支迭代方法，并在ISTD等数据集上取得领先性能。
延伸解读
阴影去除的技术演进脉络
从2015年的交互式方法到2023年的扩散模型，阴影去除研究呈现出从人工干预到全自动、从简单CNN到复杂Transformer的演进路径。早期方法依赖用户指导或物理约束，而近期工作如ShadowFormer和扩散模型则通过注意力机制和生成式建模，更注重全局信息与纹理细节的恢复，反映了领域对自动化与高质量重建的持续追求。
弱监督与线性建模的实用价值
G2R-ShadowNet和SP-Net等方法通过弱监督或线性光照转换建模，降低了对成对训练数据的依赖。这类方法利用阴影生成或参数预测来辅助去除，在ISTD等数据集上取得竞争性结果，为实际场景中标注数据稀缺的问题提供了可行方案，但可能受限于模型对阴影形成假设的准确性。
评估基准与性能提升的参照
文中多次提及ISTD、AISTD、DESOBA等数据集，并报告了RMSE等指标的改进，如扩散模型在AISTD上RMSE提升13%、在DESOBA上提升82%。这些数据为比较不同方法提供了量化依据，但读者需注意各方法实验设置和数据集划分的差异，避免直接横向对比。
视频去阴影与多分支迭代的进展
针对视频阴影去除，对抗训练和物理约束的方法被提出，并引入了SBU-Timelapse等视频数据集。多分支迭代方法通过逐步去除阴影并传递非阴影区域信息，提升了结果质量。这些工作扩展了阴影去除的应用范围，但视频时序一致性和计算成本仍是潜在挑战。
Q&A
阴影去除领域有哪些最新的技术进展？
最新的技术进展包括基于Retinex的阴影模型和ShadowFormer转换器网络，通过多尺度通道注意机制和Shadow-Interaction Module建模全局联系；使用扩散模型进行纹理恢复，在AISTD和DESOBA数据集上RMSE性能分别提升13%和82%；G2R-ShadowNet弱监督方法利用阴影生成进行训练；以及SP-Net和M-Net线性光照建模等方法。
ShadowFormer网络是如何工作的？
ShadowFormer是一种转换器网络，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，从而有效去除阴影。
扩散模型在阴影去除中有什么应用？
扩散模型用于纹理恢复，通过在扩散过程中逐渐细化阴影区域的细节，并借鉴具备无阴影图像特征的学习潜在特征空间，避免了只基于退化图像的传统方法的局限性。同时，将噪声特征与扩散网络融合以缓解训练中的局部最优问题。
弱监督阴影去除方法有哪些？
G2R-ShadowNet是一种弱监督阴影去除方法，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。它包含阴影生成、阴影去除和细化三个子网络，以端到端方式训练，在ISTD和Video Shadow Removal数据集上取得了竞争性结果。
SP-Net和M-Net在阴影去除中起什么作用？
SP-Net和M-Net用于线性光照转换建模阴影效应，分别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，该方法在阴影区域方面比现有方法提高了20%。
视频阴影去除有哪些方法？
视频阴影去除方法包括利用对抗训练和基于物理学的约束，只使用阴影和非阴影区域进行阴影去除，并提出了视频阴影去除数据集SBU-Timelapse。该方法在视频阴影去除数据集上表现优于现有方法。
