論文の概要: AeroDeshadow: Physics-Guided Shadow Synthesis and Penumbra-Aware Deshadowing for Aerospace Imagery

• arxiv url: http://arxiv.org/abs/2604.15903v1
• Date: Fri, 17 Apr 2026 10:01:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.871341
• Title: AeroDeshadow: Physics-Guided Shadow Synthesis and Penumbra-Aware Deshadowing for Aerospace Imagery
• Title（参考訳）: AeroDeshadow:物理誘導型シャドウ合成と宇宙画像のためのPenumbra-Aware Deshadowing
• Authors: Wei Lu, Zi-Yang Bo, Fei-Fei Sang, Yi Liu, Xue Yang, Si-Bao Chen,
• Abstract要約: AeroDeshadowは物理誘導型シャドウ合成とペナムブラ対応修復を統合するフレームワークである。 合成および実世界のデータセット間で、最先端の定量的精度と視覚的忠実度を達成する。
• 参考スコア（独自算出の注目度）: 13.68446800171204
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shadows are prevalent in high-resolution aerospace imagery (ASI). They often cause spectral distortion and information loss, which degrade downstream interpretation tasks. While deep learning methods have advanced natural-image shadow removal, their direct application to ASI faces two primary challenges. First, strictly paired training data are severely lacking. Second, homogeneous shadow assumptions fail to handle the broad penumbra transition zones inherent in aerospace scenes. To address these issues, we propose AeroDeshadow, a unified two-stage framework integrating physics-guided shadow synthesis and penumbra-aware restoration. In the first stage, a Physics-aware Degradation Shadow Synthesis Network (PDSS-Net) explicitly models illumination decay and spatial attenuation. This process constructs AeroDS-Syn, a large-scale paired dataset featuring soft boundary transitions. Constrained by this physical formulation, a Penumbra-aware Cascaded DeShadowing Network (PCDS-Net) then decouples the input into umbra and penumbra components. By restoring these regions progressively, PCDS-Net alleviates boundary artifacts and over-correction. Trained solely on the synthetic AeroDS-Syn, the network generalizes to real-world ASI without requiring paired real annotations. Experimental results indicate that AeroDeshadow achieves state-of-the-art quantitative accuracy and visual fidelity across synthetic and real-world datasets. The datasets and code will be made publicly available at: https://github.com/AeroVILab-AHU/AeroDeshadow.
• Abstract（参考訳）: シャドウは高解像度の航空宇宙画像(ASI)で一般的である。 しばしばスペクトル歪みや情報損失を引き起こし、下流の解釈タスクを劣化させる。 深層学習手法は、自然画像の影の除去が進んでいるが、AIIへの直接適用は2つの大きな課題に直面している。 まず、厳格にペア化されたトレーニングデータが不足している。 第二に、均質な影の仮定は、航空宇宙シーンに固有の広いペナムブラ遷移ゾーンを扱えない。 これらの問題に対処するため,物理誘導影合成とペナブラ認識復元を統合した2段階統合フレームワークであるAeroDeshadowを提案する。 第1段階では、物理学を意識した劣化影合成ネットワーク(PDSS-Net)が光減衰と空間減衰を明示的にモデル化している。 このプロセスは、ソフトバウンダリ遷移を特徴とする大規模ペアデータセットであるAeroDS-Synを構成する。 この物理的定式化に制約されたPenumbra-aware Cascaded DeShadowing Network (PCDS-Net)は、入力をUmbraとPenumbraコンポーネントに分離する。 これらの領域を徐々に回復させることで、PCDS-Netは境界アーチファクトと過剰補正を緩和する。 合成AeroDS-Synでのみ訓練されたこのネットワークは、ペアの実際のアノテーションを必要とせずに実世界のAISに一般化する。 実験結果から、AeroDeshadowは、合成データセットと実世界のデータセット間で、最先端の定量的精度と視覚的忠実性を達成することが示唆された。 データセットとコードは、https://github.com/AeroVILab-AHU/AeroDeshadowで公開される。

関連論文リスト

• Joint Shadow Generation and Relighting via Light-Geometry Interaction Maps [51.82696819319878]
  単分子深度から光を識別する新しい表現である光幾何相互作用マップを提案する。 LGIは、オフザシェルフ2.5D深度マップ予測から計算された、確実かつ正確に光と影の相互作用をキャプチャする。 LGIをブリッジマッチングした生成バックボーンに埋め込むことで、曖昧さを低減し、物理的に一貫した光陰性推論を強制する。
  論文  参考訳（メタデータ） (2026-02-25T11:47:26Z)
• 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)
• 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)
• Shadow Removal by High-Quality Shadow Synthesis [78.56549207362863]
  HQSSでは、擬似画像を合成するためにシャドウ機能エンコーダとジェネレータを使用している。 HQSSは、ISTDデータセット、ビデオシャドウ除去データセット、SRDデータセットの最先端メソッドよりも優れたパフォーマンスを発揮する。
  論文  参考訳（メタデータ） (2022-12-08T06:52:52Z)
• 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)
• LAB-Net: LAB Color-Space Oriented Lightweight Network for Shadow Removal [82.15476792337529]
  本稿では,LAB色空間における影画像を処理する,軽量な深層ニューラルネットワークを提案する。 提案したネットワークは "LAB-Net" と呼ばれ、以下の3つの観測から動機づけられている。 実験の結果,LAB-Netは最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-08-27T15:34:15Z)
• Learning from Synthetic Shadows for Shadow Detection and Removal [43.53464469097872]
  最近のシャドウ除去は、実対のシャドウ/シャドウフリーまたはシャドウ/シャドウ/マスクイメージデータセット上のすべてのトレイン畳み込みニューラルネットワーク(CNN)にアプローチしている。 今回紹介するSynShadowは、新しい大規模合成影/影なし/マット画像トリプレットデータセットと合成パイプラインである。
  論文  参考訳（メタデータ） (2021-01-05T18:56:34Z)

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。