論文の概要: WildShadowRemover: In-the-Wild Video Shadow Removal via Detail-Preserving Video Diffusion Models

• arxiv url: http://arxiv.org/abs/2607.26203v1
• Date: Tue, 28 Jul 2026 19:08:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.455946
• Title: WildShadowRemover: In-the-Wild Video Shadow Removal via Detail-Preserving Video Diffusion Models
• Title（参考訳）: WildShadowRemover:細部保存ビデオ拡散モデルによる動画シャドウ除去
• Abstract要約: 複雑な照明、多様な影の出現、限られた訓練データにより、野生での映像のシャドウ除去は依然として困難である。 我々はWildShadowRemoverについて紹介する。WildShadowRemoverは、LoRAファインチューニングによる堅牢なビデオシャドウ除去に事前訓練されたビデオ拡散モデルを適用するフレームワークである。 また、大規模なビデオシャドウ除去データセットとベンチマークであるWildShadowを構築し、多様な合成シーンをカバーした。
• 参考スコア（独自算出の注目度）: 32.587071160357866
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Video shadow removal in the wild remains challenging due to complex illumination, diverse shadow appearances, and limited training data. Despite its importance to numerous vision and graphics applications, it remains largely unexplored in unconstrained real-world scenarios. To address this gap, we present WildShadowRemover, a framework that adapts a pretrained video diffusion model for robust video shadow removal via LoRA fine-tuning. To preserve fine image details while retaining the model's powerful generative prior, we augment the frozen VAE decoder with a detail injection module and introduce a shadow-mask-guided frequency-decomposed modulation module to selectively restore high-frequency textures while suppressing shadow artifacts. Monocular depth priors from Depth Anything 3 further provide geometry-aware guidance under challenging lighting conditions. We also construct WildShadow, a large-scale paired video shadow removal dataset and benchmark, covering diverse synthetic scenes. Extensive experiments demonstrate that our method outperforms existing approaches in shadow removal quality and temporal consistency, producing temporally coherent shadow-free videos with superior visual quality and strong generalization across challenging in-the-wild scenarios.
• Abstract（参考訳）: 複雑な照明、多様な影の出現、限られた訓練データにより、野生での映像のシャドウ除去は依然として困難である。 多くのビジョンやグラフィックスアプリケーションにおいて重要であるが、制約のない現実世界のシナリオでは探索されていない。 このギャップに対処するため、我々はWildShadowRemoverという、LoRAファインチューニングによる堅牢なビデオシャドウ除去のために事前訓練されたビデオ拡散モデルを適用するフレームワークを紹介した。 モデルに強力な生成前を保ちながら微細な画像の詳細を保存するため,凍結したVAEデコーダをディテールインジェクションモジュールで強化し,シャドウマスク誘導周波数分解変調モジュールを導入し,シャドウアーティファクトを抑えながら高周波テクスチャを選択的に復元する。 Depth Anything 3の単眼深度は、より困難な照明条件下で幾何学的なガイダンスを提供する。 また、大規模なビデオシャドウ除去データセットとベンチマークであるWildShadowを構築し、多様な合成シーンをカバーした。 広汎な実験により,提案手法は従来のシャドウ除去品質と時間的一貫性のアプローチよりも優れており,時間的コヒーレントなシャドウフリービデオが優れた視覚的品質と強力な一般化を実現していることが示された。

関連論文リスト

• FreeShadow: Training-Free Shadow Removal via Illumination Transfer and Selective Content Preservation in Diffusion Models [28.689075673734354]
  FreeShadowは、事前訓練された拡散モデルに基づいて構築された訓練不要のシャドウ除去手法である。 提案手法は強力な一般化を実現し,現実的な影のない画像を生成する。
  論文  参考訳（メタデータ） (2026-07-29T10:05:36Z)
• RelightVid: Temporal-Consistent Diffusion Model for Video Relighting [95.10341081549129]
  RelightVidはビデオのリライトのためのフレキシブルなフレームワークだ。 バックグラウンドビデオ、テキストプロンプト、環境マップをリライト条件として受け入れることができる。 内在的な分解を伴わずに、時間的整合性の高い任意のビデオリライティングを実現する。
  論文  参考訳（メタデータ） (2025-01-27T18:59:57Z)
• 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)
• 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)
• Learning Physical-Spatio-Temporal Features for Video Shadow Removal [42.95422940263425]
  データ駆動型ビデオシャドウ除去モデルであるedNetを提案する。 具体的には、複雑な照明テクスチャを持つシーンに適用可能な局所照明推定を行うために、専用の物理的ブランチが設けられた。 シャドウビデオと組み合わせたデータセットの欠如に対処するため、シャドウのスイッチを制御することで、人気のあるゲームGTAVの助けを借りてデータセットを合成する。
  論文  参考訳（メタデータ） (2023-03-16T14:55:31Z)
• ShadowDiffusion: When Degradation Prior Meets Diffusion Model for Shadow Removal [74.86415440438051]
  画像と劣化先行情報を統合した統合拡散フレームワークを提案する。 SRDデータセット上でのPSNRは31.69dBから34.73dBへと大幅に向上した。
  論文  参考訳（メタデータ） (2022-12-09T07:48:30Z)
• 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)
• 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)
• 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)

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。