本研究提出了一种轻量且精准的阴影去除框架，解决了现有方法在模型规模和计算复杂度上的问题。通过新的区域注意力机制，增强了阴影与非阴影区域的上下文关联，实验结果表明其在准确性和效率上优于其他模型。

本研究提出了一种新方法，解决图像阴影去除中的边界伪影和特征捕捉不足的问题。通过独立扫描边界、阴影和非阴影区域，显著改善了阴影去除效果，实验结果优于现有模型。

介绍SynShadow数据集及其合成阴影图像的方法，支持训练阴影去除模型并通过微调预训练模型改进效果。

该文介绍了一种名为PRNet的渐进循环网络，用于单幅图像阴影去除。该方法在阴影特征提取和渐进阴影去除两个部分中使用PRNet，取得了平衡的性能和时间。实验证明，该方法可以有效去除阴影并取得卓越性能。

本研究改进了扩散模型在逼真图像修复中的适用性，包括网络架构、噪声水平、训练图像大小和优化器 / 调度器等方面。研究提出了基于 U-Net 的潜在扩散模型，能够处理大尺寸图像，包括阴影去除、去雾、超分辨率和景深效果转换。该模型在 NTIRE 2023 图像阴影去除挑战赛中获得最佳感知性能和第二名。

Deshadow-Anything是一种模型，可以通过扩散模型沿着图像的边缘和纹理进行扩散，帮助去除图像中的阴影并保留图像的细节。该模型还设计了多自注意引导和自适应输入扰动来加速扩散的迭代训练速度。实验证明，这些方法可以有效提高图像修复性能。