本文提出了使用扩散模型解决从阴影图像中推断无阴影场景的问题，通过细化阴影区域细节和借鉴无阴影图像特征，避免了传统方法的局限性。同时，通过融合噪声特征和扩散网络，缓解了训练过程中的局部最优问题。在AISTD和DESOBA数据集上，方法性能分别提高了13%和82%。

本文提出了使用扩散模型的方法，通过细化阴影区域的细节，避免了传统方法的局限性。同时，通过融合噪声特征和扩散网络，缓解了训练过程中的局部最优问题。在AISTD和DESOBA数据集上，该方法的性能较之前的最佳方法提高了13%和82%。

本文提出了使用扩散模型的方法，通过细化阴影区域的细节，避免了传统方法的局限性。同时，通过融合噪声特征和扩散网络，缓解了训练过程中的局部最优问题。该方法在AISTD和DESOBA数据集上的性能分别提高了13%和82%。

本文使用扩散模型解决从阴影图像中推断无阴影场景的问题，通过细化阴影区域细节和借鉴无阴影图像特征，避免了传统方法的局限性。同时，通过融合噪声特征和扩散网络，缓解了训练过程中的局部最优问题。在AISTD数据集上，RMSE性能提高了13%，在DESOBA数据集上提高了82%。

本文提出了使用扩散模型的方法，通过细化阴影区域的细节，解决从含有阴影图像中推断出无阴影场景的问题。通过学习潜在特征空间，避免了传统方法的局限性。同时，通过融合噪声特征和扩散网络，缓解了训练过程中的局部最优问题。在AISTD数据集上，RMSE性能提高了13%，在DESOBA数据集上提高了82%。