論文の概要: SARU: A Shadow-Aware and Removal Unified Framework for Remote Sensing Images with New Benchmarks
- arxiv url: http://arxiv.org/abs/2604.25432v1
- Date: Tue, 28 Apr 2026 09:38:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.802866
- Title: SARU: A Shadow-Aware and Removal Unified Framework for Remote Sensing Images with New Benchmarks
- Title（参考訳）: SARU: 新たなベンチマークによるリモートセンシングのためのシャドウアウェアとデザイナ統合フレームワーク
- Authors: Zi-Yang Bo, Wei Lu, Hongruixuan Chen, Si-Bao Chen, Bin Luo,
- Abstract要約: リモートセンシング画像(RSI)における影は一般的な問題である
それまでの作業のほとんどは、シャドウ検出と削除を分離されたカスケードされたタスクとして扱う。
我々はShadow-Aware and removal Unified (SARU)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 13.514199503432467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Shadows are a prevalent problem in remote sensing imagery (RSI), degrading visual quality and severely limiting the performance of downstream tasks like object detection and semantic segmentation. Most prior works treat shadow detection and removal as separate, cascaded tasks, which can lead to cumbersome process and error accumulation. Furthermore, many deep learning methods rely on paired shadow and non-shadow images for training, which are often unavailable in practice. To address these challenges, we propose Shadow-Aware and Removal Unified (SARU) Framework , a cohesive two-stage framework. First, its dual-branch detection module (DBCSF-Net) fuses multi-color space and semantic features to generate high-fidelity shadow masks, effectively distinguishing shadows from dark objects. Then, leveraging these masks, a novel, training-free physical algorithm (N$^2$SGSR) restores illumination by transferring properties from adjacent non-shadow regions within the single input image. To facilitate rigorous evaluation and foster future work, we also introduce two new benchmark datasets: the RSI Shadow Detection (RSISD) dataset and the Single-image Shadow Removal Benchmark (SiSRB). Extensive experiments demonstrate that SARU achieves state-of-the-art performance on both the public AISD dataset and our newly introduced benchmarks. By holistically integrating shadow detection and removal to mitigate error propagation and eliminating the dependency on paired training data, SARU establishes a robust, practical framework for real-world RSI analysis. The source code and datasets are publicly available at: https://github.com/AeroVILab-AHU/SARU-Framework.
- Abstract（参考訳）: 影はリモートセンシング画像(RSI)において一般的な問題であり、視覚的品質を低下させ、オブジェクト検出やセマンティックセグメンテーションといった下流タスクのパフォーマンスを著しく制限する。
これまでの作業のほとんどは、シャドー検出と削除を分離されたカスケードされたタスクとして扱い、面倒なプロセスやエラーの蓄積につながる可能性がある。
さらに、多くのディープラーニング手法は、訓練のためにペアドシャドウ画像と非シャドウ画像に頼っているが、実際には利用できないことが多い。
これらの課題に対処するため、我々は、密集した2段階フレームワークであるShadow-Aware and removal Unified (SARU) Frameworkを提案する。
まず、デュアルブランチ検出モジュール(DBCSF-Net)は多色空間と意味的特徴を融合させ、高忠実度影マスクを生成し、効果的に暗黒物体と影を区別する。
そして、これらのマスクを利用して、新しいトレーニングフリー物理アルゴリズム(N$^2$SGSR)は、隣接する非シャドウ領域から1つの入力画像内のプロパティを転送することで照明を復元する。
厳密な評価と今後の作業を促進するため、RSISDデータセットとSiSRB(Single-image Shadow removal Benchmark)という2つの新しいベンチマークデータセットも導入した。
大規模な実験により、SARUはパブリックAISDデータセットと新たに導入したベンチマークの両方で最先端のパフォーマンスを達成した。
SARUは、シャドウ検出と除去を統合してエラーの伝播を軽減し、ペア化されたトレーニングデータへの依存を取り除くことで、現実世界のRSI分析のための堅牢で実用的なフレームワークを確立している。
ソースコードとデータセットは、https://github.com/AeroVILab-AHU/SARU-Framework.comで公開されている。
関連論文リスト
- 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) - 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) - 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) - SILT: Shadow-aware Iterative Label Tuning for Learning to Detect Shadows
from Noisy Labels [53.30604926018168]
本稿では,シャドウラベルのノイズを明示的に考慮し,自己学習で深層モデルを訓練する,シャドウ対応反復ラベルチューニングフレームワークSILTを提案する。
また,グローバルな局所融合とシャドウ・アウェア・フィルタリングを併用した簡易かつ効果的なラベルチューニング戦略を考案し,ノイズラベルの大幅な改善を図った。
その結果,SILTで訓練した単純なU-Netでさえ,最先端の手法を大きなマージンで上回ることができることがわかった。
論文 参考訳（メタデータ） (2023-08-23T11:16:36Z) - Detect Any Shadow: Segment Anything for Video Shadow Detection [105.19693622157462]
影を検出するためのセグメンテーションモデル(SAM)を微調整するフレームワークであるShadowSAMを提案する。
長時間の注意機構と組み合わせることで、効率的な映像陰影検出が可能となる。
提案手法は,従来のビデオシャドウ検出手法と比較して高速な推論速度を示す。
論文 参考訳（メタデータ） (2023-05-26T07:39:10Z) - Learning Restoration is Not Enough: Transfering Identical Mapping for
Single-Image Shadow Removal [19.391619888009064]
最先端のシャドウ除去方法は、収集されたシャドウとシャドウフリーの画像ペアでディープニューラルネットワークを訓練する。
2つのタスクは互換性が低く、これらの2つのタスクの共有重み付けを使用することで、モデルが1つのタスクに最適化される可能性がある。
本稿では,これら2つのタスクを個別に処理し,同一のマッピング結果を利用して,影の復元を反復的に導くことを提案する。
論文 参考訳（メタデータ） (2023-05-18T01:36:23Z) - Video Instance Shadow Detection Under the Sun and Sky [81.95848151121739]
ViShadowは、半教師付きビデオインスタンスのシャドウ検出フレームワークである。
クロスフレームペアリングのための対照的な学習を通じて、シャドーとオブジェクトインスタンスを識別する。
一時的な消失を管理するための検索機構が導入された。
論文 参考訳（メタデータ） (2022-11-23T10:20:19Z) - R2D: Learning Shadow Removal to Enhance Fine-Context Shadow Detection [64.10636296274168]
現在のシャドウ検出方法は、小さく、不明瞭で、ぼやけたエッジを持つシャドウ領域を検出する際には、性能が良くない。
本稿では,深層ニューラルネットワークを修復訓練(シャドウ除去)するRestore to Detect(R2D)という新しい手法を提案する。
提案手法は,近年の手法に比べて微妙なコンテキストの検出が可能でありながら,影検出性能の向上を図っている。
論文 参考訳（メタデータ） (2021-09-20T15:09:22Z)
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。