論文の概要: DenseSR: Image Shadow Removal as Dense Prediction

• arxiv url: http://arxiv.org/abs/2507.16472v1
• Date: Tue, 22 Jul 2025 11:22:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 21:34:14.086254
• Title: DenseSR: Image Shadow Removal as Dense Prediction
• Title（参考訳）: DenseSR: 画像のシャドウ除去をDense予測として実現
• Authors: Yu-Fan Lin, Chia-Ming Lee, Chih-Chung Hsu,
• Abstract要約: シングルイメージシャドウ除去(SR)は、一様でない内容劣化と固有の曖昧さによって妨げられる。 伝統的な手法は、しばしばシャドウ内部の詳細を同時に回復し、鋭い境界を維持するのに失敗する。 そこで我々は,DenseSRを提案し,より密集した予測の観点から問題にアプローチし,復元の質を強調する。
• 参考スコア（独自算出の注目度）: 7.765333471208582
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shadows are a common factor degrading image quality. Single-image shadow removal (SR), particularly under challenging indirect illumination, is hampered by non-uniform content degradation and inherent ambiguity. Consequently, traditional methods often fail to simultaneously recover intra-shadow details and maintain sharp boundaries, resulting in inconsistent restoration and blurring that negatively affect both downstream applications and the overall viewing experience. To overcome these limitations, we propose the DenseSR, approaching the problem from a dense prediction perspective to emphasize restoration quality. This framework uniquely synergizes two key strategies: (1) deep scene understanding guided by geometric-semantic priors to resolve ambiguity and implicitly localize shadows, and (2) high-fidelity restoration via a novel Dense Fusion Block (DFB) in the decoder. The DFB employs adaptive component processing-using an Adaptive Content Smoothing Module (ACSM) for consistent appearance and a Texture-Boundary Recuperation Module (TBRM) for fine textures and sharp boundaries-thereby directly tackling the inconsistent restoration and blurring issues. These purposefully processed components are effectively fused, yielding an optimized feature representation preserving both consistency and fidelity. Extensive experimental results demonstrate the merits of our approach over existing methods. Our code can be available on https://github$.$com/VanLinLin/DenseSR
• Abstract（参考訳）: 影は画像の品質を劣化させる一般的な要因である。 シングルイメージシャドウ除去(SR)は、特に間接照明の難易度において、一様でない内容劣化と固有の曖昧さによって妨げられる。 その結果、従来の手法はシャドウ内部の細部を同時に回復し、シャープな境界を維持することができず、結果として、下流のアプリケーションと全体的な視聴体験の両方に悪影響を及ぼす一貫性のない復元と曖昧さをもたらす。 これらの制約を克服するため,DenseSRを提案する。 この枠組みは,(1)曖昧さを解消し陰影を暗黙的に局在させる幾何学的先駆者によって導かれる深いシーン理解と,(2)デコーダの新たなDense Fusion Block (DFB)による高忠実な復元の2つの重要な戦略を一意にシナジする。 DFBは、アダプティブ・コンテント・スムースティング・モジュール(ACSM)を一貫した外観に使用し、テクスチャやシャープなバウンダリのためにテクスチャとテクスチャ境界回復モジュール(TBRM)を使用している。 これらの目的的に処理されたコンポーネントは効果的に融合され、一貫性と忠実さの両方を保った最適化された特徴表現が得られる。 実験により,既存手法に対するアプローチのメリットを実証した。 私たちのコードはhttps://github$.com/で利用可能です。 $com/VanLinLin/DenseSR

関連論文リスト

• Contrast-Prior Enhanced Duality for Mask-Free Shadow Removal [12.417806583744134]
  既存のシャドウ除去法はしばしばシャドウマスクに依存しており、現実のシナリオでは取得が困難である。 局所コントラスト情報などの本質的な画像手がかりの探索は、明示的なマスクがない場合のシャドウ除去を導くための潜在的な代替手段を示す。 本稿では,適応型2分岐注意機構 (AGBA) を提案する。
  論文  参考訳（メタデータ） (2025-07-29T16:00:42Z)
• Decompositional Neural Scene Reconstruction with Generative Diffusion Prior [64.71091831762214]
  完全な形状と詳細なテクスチャを持つ3次元シーンの分解的再構成は、下流の応用に興味深い。 近年のアプローチでは、この問題に対処するために意味的あるいは幾何学的正則化が取り入れられているが、制約の少ない領域では著しく劣化している。 本稿では,SDS(Score Distillation Sampling)の形で拡散先行値を用いたDP-Reconを提案し,新しい視点下で個々の物体の神経表現を最適化する。
  論文  参考訳（メタデータ） (2025-03-19T02:11:31Z)
• Timestep-Aware Diffusion Model for Extreme Image Rescaling [47.89362819768323]
  本稿では,時間認識拡散モデル(TADM)と呼ばれる,画像再スケーリングのための新しいフレームワークを提案する。 TADMは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を行う。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• Towards Cross-View-Consistent Self-Supervised Surround Depth Estimation [9.569646683579899]
  連続画像からの自己監督下周深度推定は経済的な代替手段を提供する。 従来のSSSDE法では、画像間で情報を融合する異なるメカニズムが提案されているが、それらのいくつかは、クロスビュー制約を明示的に考慮している。 本稿では,SSSDEのクロスビュー一貫性を高めるために,効率的で一貫したポーズ推定設計と2つの損失関数を提案する。
  論文  参考訳（メタデータ） (2024-07-04T16:29:05Z)
• Semantic-guided Adversarial Diffusion Model for Self-supervised Shadow Removal [5.083330121710086]
  GANベースのトレーニングは、しばしばモード崩壊や不安定な最適化といった問題に直面している。 自己教師付きシャドウ除去のための意味誘導逆拡散フレームワークを提案する。 複数の公開データセットで実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-07-01T09:14:38Z)
• Reti-Diff: Illumination Degradation Image Restoration with Retinex-based Latent Diffusion Model [59.08821399652483]
  照明劣化画像復元(IDIR)技術は、劣化した画像の視認性を改善し、劣化した照明の悪影響を軽減することを目的としている。 これらのアルゴリズムのうち、拡散モデル(DM)に基づく手法は期待できる性能を示しているが、画像レベルの分布を予測する際に、重い計算要求や画素の不一致の問題に悩まされることが多い。 我々は、コンパクトな潜在空間内でDMを活用して、簡潔な指導先を生成することを提案し、IDIRタスクのためのReti-Diffと呼ばれる新しいソリューションを提案する。 Reti-Diff は Retinex-based Latent DM (RLDM) と Retinex-Guided Transformer (RG) の2つの鍵成分からなる。
  論文  参考訳（メタデータ） (2023-11-20T09:55:06Z)
• Progressive Recurrent Network for Shadow Removal [99.1928825224358]
  シングルイメージのシャドー削除は、まだ解決されていない重要なタスクである。 既存のディープラーニングベースのアプローチのほとんどは、シャドウを直接削除しようとするが、シャドウをうまく扱えない。 本稿では,影を段階的に除去する簡易かつ効果的なプログレッシブ・リカレント・ネットワーク(PRNet)を提案する。
  論文  参考訳（メタデータ） (2023-11-01T11:42:45Z)
• DiffBIR: Towards Blind Image Restoration with Generative Diffusion Prior [70.46245698746874]
  DiffBIRは、視覚の異なる画像復元タスクを処理できる一般的な修復パイプラインである。 DiffBIRは, ブラインド画像復元問題を, 1) 劣化除去: 画像に依存しない内容の除去; 2) 情報再生: 失われた画像内容の生成の2段階に分離する。 第1段階では, 修復モジュールを用いて劣化を除去し, 高忠実度復元結果を得る。 第2段階では、潜伏拡散モデルの生成能力を活用して現実的な詳細を生成するIRControlNetを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:11:52Z)
• RIGID: Recurrent GAN Inversion and Editing of Real Face Videos [73.97520691413006]
  GANのインバージョンは、実画像に強力な編集可能性を適用するのに不可欠である。 既存のビデオフレームを個別に反転させる手法は、時間の経過とともに望ましくない一貫性のない結果をもたらすことが多い。 我々は、textbfRecurrent vtextbfIdeo textbfGAN textbfInversion and etextbfDiting (RIGID) という統合されたリカレントフレームワークを提案する。 本フレームワークは,入力フレーム間の固有コヒーレンスをエンドツーエンドで学習する。
  論文  参考訳（メタデータ） (2023-08-11T12:17:24Z)
• Leveraging Inpainting for Single-Image Shadow Removal [29.679542372017373]
  本研究では,画像インペイントデータセットにおける影除去ネットワークの事前学習により,影の残差を著しく低減できることを示す。 単純エンコーダ・デコーダネットワークは、10%のシャドウとシャドウフリーの画像ペアで、最先端の手法で競合する復元品質を得る。 これらの観測から着想を得て,影の除去と画像の塗装を両立させる適応融合タスクとして,影の除去を定式化する。
  論文  参考訳（メタデータ） (2023-02-10T16:21:07Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。