論文の概要: Contrast-Prior Enhanced Duality for Mask-Free Shadow Removal
- arxiv url: http://arxiv.org/abs/2507.21949v1
- Date: Tue, 29 Jul 2025 16:00:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-30 17:08:56.648998
- Title: Contrast-Prior Enhanced Duality for Mask-Free Shadow Removal
- Title（参考訳）: マスクフリーシャドウ除去のためのコントラストパラメータ拡張ダナリティ
- Authors: Jiyu Wu, Yifan Liu, Jiancheng Huang, Mingfu Yan, Shifeng Chen,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.417806583744134
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Existing shadow removal methods often rely on shadow masks, which are challenging to acquire in real-world scenarios. Exploring intrinsic image cues, such as local contrast information, presents a potential alternative for guiding shadow removal in the absence of explicit masks. However, the cue's inherent ambiguity becomes a critical limitation in complex scenes, where it can fail to distinguish true shadows from low-reflectance objects and intricate background textures. To address this motivation, we propose the Adaptive Gated Dual-Branch Attention (AGBA) mechanism. AGBA dynamically filters and re-weighs the contrast prior to effectively disentangle shadow features from confounding visual elements. Furthermore, to tackle the persistent challenge of restoring soft shadow boundaries and fine-grained details, we introduce a diffusion-based Frequency-Contrast Fusion Network (FCFN) that leverages high-frequency and contrast cues to guide the generative process. Extensive experiments demonstrate that our method achieves state-of-the-art results among mask-free approaches while maintaining competitive performance relative to mask-based methods.
- Abstract（参考訳）: 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選択肢を示す。
しかし、キューの本質的な曖昧さは複雑な場面において重要な限界となり、低反射性オブジェクトと複雑な背景テクスチャとの真の影を区別できない。
このモチベーションに対処するため,Adaptive Gated Dual-Branch Attention (AGBA) 機構を提案する。
AGBAは動的にコントラストをフィルタリングし、そのコントラストを覆い隠すために、効果的にシャドウ特徴を境界要素から切り離す。
さらに、ソフトシャドウ境界と細かな細部を復元する永続的な課題に対処するために、高周波およびコントラストを用いた拡散型周波数コントラスト融合ネットワーク(FCFN)を導入し、生成過程を導出する。
大規模な実験により,マスクフリーアプローチでは,マスクベースの手法と比較して競争性能を維持しつつ,最先端の手法による結果が得られた。
関連論文リスト
- Retinex-guided Histogram Transformer for Mask-free Shadow Removal [12.962534359029103]
ReHiTは、Retinex理論でガイドされたハイブリッドCNN-Transformerアーキテクチャに基づく、効率的なマスクフリーのシャドウ除去フレームワークである。
提案手法は,最少パラメータの1つと最上位エントリ間の高速推論速度で競合する結果を提供する。
論文 参考訳（メタデータ） (2025-04-18T22:19:40Z) - MetaShadow: Object-Centered Shadow Detection, Removal, and Synthesis [64.00425120075045]
シャドウは画像編集アプリケーションでは過小評価されるか無視されることが多く、編集結果のリアリズムが制限される。
本稿では,自然画像中の影の検出・除去・制御が可能な3-in-one多元性フレームワークであるMetaShadowを紹介する。
論文 参考訳（メタデータ） (2024-12-03T18:04:42Z) - SoftShadow: Leveraging Soft Masks for Penumbra-Aware Shadow Removal [35.16957947180504]
シャドウ除去に特化して設計された新しいソフトシャドウマスクを導入する。
我々は,事前学習されたSAMの事前知識を活用し,物理的な制約を統合することで,SoftShadowフレームワークを提案する。
このフレームワークは、ペナムブラ(部分陰影)とウンブラ(完全に陰影)の正確な予測を可能にし、同時にエンドツーエンドのシャドウ除去を容易にする。
論文 参考訳（メタデータ） (2024-09-11T06:12:26Z) - SwinShadow: Shifted Window for Ambiguous Adjacent Shadow Detection [90.4751446041017]
スウィンシャドウ(SwinShadow)は、隣接する影を検出するための強力なシフトウインドウ機構をフル活用したトランスフォーマーベースのアーキテクチャである。
プロセス全体は、エンコーダ、デコーダ、機能統合の3つの部分に分けられる。
SBU, UCF, ISTDの3つのシャドウ検出ベンチマークデータセットの実験により, ネットワークがバランスエラー率(BER)の点で優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2024-08-07T03:16:33Z) - Cross-Modal Spherical Aggregation for Weakly Supervised Remote Sensing Shadow Removal [22.4845448174729]
本研究では,S2-ShadowNetと呼ばれる球面特徴空間を持つ弱教師付きシャドウ除去ネットワークを提案する。
具体的には、クロスドメインマッピングを学習するために、モーダル変換(可視赤外)モデルを使用し、現実的な赤外線サンプルを生成する。
シャドウマスクを用いた4000個のシャドウ画像を含む,大規模に監督されたシャドウ除去ベンチマークに寄与する。
論文 参考訳（メタデータ） (2024-06-25T11:14:09Z) - ShadowRefiner: Towards Mask-free Shadow Removal via Fast Fourier Transformer [41.008740643546226]
影に影響された画像は、しばしば色と照明の空間的な違いが顕著に現れる。
我々はFast Fourier Transformerを介してマスクレスシャドウ除去・精細ネットワーク(ShadowRefiner)を導入する。
本手法は,NTIRE 2024画像シャドウ除去チャレンジのフィデリティトラックにおいて,第2位を達成し,パーセプチュアルトラックのタイトルを獲得した。
論文 参考訳（メタデータ） (2024-04-18T03:53:33Z) - CLR-Face: Conditional Latent Refinement for Blind Face Restoration Using
Score-Based Diffusion Models [57.9771859175664]
最近の生成優先法は、有望なブラインドフェイス修復性能を示している。
入力に忠実なきめ細かい顔の詳細を生成することは、依然として難しい問題である。
本稿では,VQGANアーキテクチャの内部に拡散型プライマーを導入し,非破壊な潜伏埋め込みにおける分布の学習に重点を置いている。
論文 参考訳（メタデータ） (2024-02-08T23:51:49Z) - Latent Feature-Guided Diffusion Models for Shadow Removal [47.21387783721207]
本稿では,拡散過程における影領域の詳細を段階的に洗練する,有望なアプローチとして拡散モデルの利用を提案する。
シャドウフリー画像の特徴を継承する学習された潜在特徴空間を条件付けすることで,この処理を改善する。
AISTDデータセット上でRMSEを13%向上させる手法の有効性を示す。
論文 参考訳（メタデータ） (2023-12-04T18:59:55Z) - SIRe-IR: Inverse Rendering for BRDF Reconstruction with Shadow and
Illumination Removal in High-Illuminance Scenes [51.50157919750782]
本稿では,環境マップ,アルベド,粗さにシーンを分解する暗黙のニューラルレンダリング逆アプローチSIRe-IRを提案する。
間接放射場、通常光、可視光、および直接光を同時に正確にモデル化することにより、影と間接光の両方を除去することができる。
強い照明の存在下でも,影の干渉を伴わずに高品質なアルベドと粗さを回収する。
論文 参考訳（メタデータ） (2023-10-19T10:44:23Z) - SDDNet: Style-guided Dual-layer Disentanglement Network for Shadow Detection [85.16141353762445]
入力シャドウ画像を背景層と影層の合成として扱い、これらの層を独立にモデル化するためのスタイル誘導デュアル層ディスタングルネットワークを設計する。
提案モデルは背景色による有害な効果を効果的に最小化し,32FPSのリアルタイム推論速度を持つ3つの公開データセットに対して優れた性能を示す。
論文 参考訳（メタデータ） (2023-08-17T12:10:51Z) - DeS3: Adaptive Attention-driven Self and Soft Shadow Removal using ViT Similarity [54.831083157152136]
本稿では,適応的注意とViT類似性に基づいて,ハード,ソフト,セルフシャドーを除去する手法を提案する。
提案手法はSRD, AISTD, LRSS, USR, UIUCデータセットの最先端手法より優れている。
論文 参考訳（メタデータ） (2022-11-15T12:15:29Z) - Shadow-Aware Dynamic Convolution for Shadow Removal [80.82708225269684]
シャドウ領域と非シャドウ領域間の相互依存を分離するための新しいシャドウ・アウェア・ダイナミック・コンボリューション(SADC)モジュールを提案する。
我々のSADCは、非シャドウ領域の色マッピングが学習しやすいという事実に触発され、軽量な畳み込みモジュールで非シャドウ領域を処理する。
我々は,非シャドウ地域からシャドウ地域への情報フローを強化するために,新しいコンボリューション内蒸留損失を開発した。
論文 参考訳（メタデータ） (2022-05-10T14:00:48Z) - Towards High Fidelity Face Relighting with Realistic Shadows [21.09340135707926]
提案手法では,光源画像と対象画像との比(商)を所望の照明で予測する。
トレーニング中、我々のモデルは推定影マスクを用いてシャドウを正確に修正することを学ぶ。
提案手法は,被験者の表情を忠実に維持し,硬い影を正確に処理できることを実証する。
論文 参考訳（メタデータ） (2021-04-02T00:28:40Z)
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。