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。

本文介绍了一种新的阴影去除方法，利用非配对数据和深度学习技术，显著提高了阴影去除效果。研究中采用了多种网络架构，如Mask-ShadowGAN、SP-Net和M-Net，并结合新的损失函数和注意力机制，优化了阴影处理能力。实验结果表明，该方法在多个数据集上表现优异，降低了错误率并提升了信噪比。

本文提出了一种用户中心的阴影去除方法，结合动态学习和归一化框架，展示了在真实数据集上的有效性和算法比较。研究表明，基于深度学习的技术在阴影去除方面取得了显著进展，尤其在多个基准测试中表现优异。

该研究提出了一种基于Retinex的阴影模型和ShadowFormer网络，通过多尺度注意机制建模阴影与非阴影区域的关系，结合SP-Net和M-Net的深度学习方法，显著提高了阴影去除效果，并在多个数据集上验证了其优越性。

本文提出了一种新型云去除模型UnCRtainTS，结合注意力机制和不确定性预测，提升了地球影像的质量。同时，研究介绍了ShadowRemovalNet和G2R-ShadowNet等深度学习方法，优化了阴影去除效果，适用于实时计算机视觉应用。

本文提出了一种新的阴影去除方法，利用非配对数据和 Mask-ShadowGAN 框架，通过循环一致性约束自动学习阴影屏蔽层。研究表明，该方法在 AISTD 和 DESOBA 数据集上显著提高了 RMSE 性能，并通过多任务学习方法联合学习阴影检测和去除，验证了其优越性。

该研究提出了一种基于Retinex的阴影模型和ShadowFormer网络，通过多尺度注意机制建模阴影与非阴影区域的关系，显著提高了阴影去除效果，并推动了阴影去除技术的发展。

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。