論文の概要: Beyond Shadows: A Large-Scale Benchmark and Multi-Stage Framework for High-Fidelity Facial Shadow Removal

• arxiv url: http://arxiv.org/abs/2601.19309v1
• Date: Tue, 27 Jan 2026 07:48:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.231682
• Title: Beyond Shadows: A Large-Scale Benchmark and Multi-Stage Framework for High-Fidelity Facial Shadow Removal
• Title（参考訳）: Beyond Shadows: 高忠実な顔のシャドウ除去のための大規模ベンチマークとマルチステージフレームワーク
• Authors: Tailong Luo, Jiesong Bai, Jinyang Huang, Junyu Xia, Wangyu Wu, Xuhang Chen,
• Abstract要約: ASFW(Augmented Shadow Face in the Wild)データセットを提示する。 ASFWは影のバリエーションと正確な地上の真実を提供し、合成ドメインと実際のドメインのギャップを埋める。 ASFWで訓練された深層モデルでは、現実世界の条件下でのシャドウ除去が改善されている。
• 参考スコア（独自算出の注目度）: 5.487345951289741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Facial shadows often degrade image quality and the performance of vision algorithms. Existing methods struggle to remove shadows while preserving texture, especially under complex lighting conditions, and they lack real-world paired datasets for training. We present the Augmented Shadow Face in the Wild (ASFW) dataset, the first large-scale real-world dataset for facial shadow removal, containing 1,081 paired shadow and shadow-free images created via a professional Photoshop workflow. ASFW offers photorealistic shadow variations and accurate ground truths, bridging the gap between synthetic and real domains. Deep models trained on ASFW demonstrate improved shadow removal in real-world conditions. We also introduce the Face Shadow Eraser (FSE) method to showcase the effectiveness of the dataset. Experiments demonstrate that ASFW enhances the performance of facial shadow removal models, setting new standards for this task.
• Abstract（参考訳）: 顔の影は画像の品質と視覚アルゴリズムの性能を劣化させることが多い。 既存の方法は、特に複雑な照明条件下で、テクスチャを保ちながら影を取り除くのに苦労しており、トレーニング用の実世界のペアデータセットが欠如している。 ASFW(Augmented Shadow Face in the Wild)データセットは、プロのPhotoshopワークフローを通じて生成される1081対のシャドウとシャドウフリーの画像を含む、顔のシャドウ除去のための最初の大規模な実世界のデータセットである。 ASFWは、合成ドメインと実際のドメインのギャップを埋め、フォトリアリスティックな影のバリエーションと正確な地上真実を提供する。 ASFWで訓練された深層モデルでは、現実世界の条件下でのシャドウ除去が改善されている。 また、データセットの有効性を示すために、Face Shadow Eraser (FSE) 手法も導入する。 実験により、ASFWは顔影除去モデルの性能を高め、このタスクの新たな標準を設定する。

関連論文リスト

• 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)
• Shadow Removal Refinement via Material-Consistent Shadow Edges [33.8383848078524]
  同じ材料で領域を横断する影の縁の両側には、影を適切に取り除けば、原色とテクスチャは同一であるべきである。 画像セグメンテーション基盤モデルであるSAMを微調整し、影不変セグメンテーションを生成し、材料一貫性のあるシャドウエッジを抽出する。 本手法は,より難易度の高い画像に対して,影除去結果の改善に有効であることを示す。
  論文  参考訳（メタデータ） (2024-09-10T20:16:28Z)
• Soft-Hard Attention U-Net Model and Benchmark Dataset for Multiscale Image Shadow Removal [2.999888908665659]
  本研究では,マルチスケールシャドウ除去に着目した,ソフトハード注意U-net(SHAU)という新しいディープラーニングアーキテクチャを提案する。 マルチスケールシャドウ除去データセット(MSRD)と呼ばれる新しい合成データセットを提供し、複数のスケールの複雑なシャドウパターンを含んでいる。 その結果,SHAUは,様々なベンチマークデータセット間で,関連する最先端のシャドウ除去方法に対して有効であることが示された。
  論文  参考訳（メタデータ） (2024-08-07T12:42:06Z)
• Single-Image Shadow Removal Using Deep Learning: A Comprehensive Survey [78.84004293081631]
  影のパターンは任意で変化しており、しばしば非常に複雑な痕跡構造を持つ。 影による劣化は空間的に不均一であり、照度と影と非陰影領域間の色に矛盾が生じている。 この分野での最近の開発は、主にディープラーニングベースのソリューションによって進められている。
  論文  参考訳（メタデータ） (2024-07-11T20:58:38Z)
• 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)
• 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)
• Physics-based Shadow Image Decomposition for Shadow Removal [36.41558227710456]
  陰影除去のための新しい深層学習法を提案する。 影形成の物理モデルにインスパイアされ、線形照明変換を用いて画像内の影効果をモデル化する。 最も困難なシャドウ除去データセットでフレームワークをトレーニングし、テストします。
  論文  参考訳（メタデータ） (2020-12-23T23:06:38Z)
• Self-Supervised Shadow Removal [130.6657167667636]
  条件付きマスクを用いた自己教師付き学習による教師なしシングルイメージシャドウ除去ソリューションを提案する。 既存の文献とは対照的に、一対のシャドウとシャドウのない画像は必要とせず、自己スーパービジョンに頼り、画像にシャドウを取り除いて追加するために深いモデルを共同で学習する。
  論文  参考訳（メタデータ） (2020-10-22T11:33:41Z)
• From Shadow Segmentation to Shadow Removal [34.762493656937366]
  シャドウとシャドウフリーの画像のペアの必要性は、シャドウ除去データセットのサイズと多様性を制限している。 本研究では,影画像から抽出した陰影と非陰影パッチのみを用いて,陰影除去法を提案する。
  論文  参考訳（メタデータ） (2020-08-01T14:00:10Z)

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。