論文の概要: FreeShadow: Training-Free Shadow Removal via Illumination Transfer and Selective Content Preservation in Diffusion Models
- arxiv url: http://arxiv.org/abs/2607.26715v1
- Date: Wed, 29 Jul 2026 10:05:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.618753
- Title: FreeShadow: Training-Free Shadow Removal via Illumination Transfer and Selective Content Preservation in Diffusion Models
- Title（参考訳）: FreeShadow: 拡散モデルにおける照明伝達と選択コンテンツ保存によるトレーニングフリーシャドウ除去
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 28.689075673734354
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing supervised and unsupervised shadow removal methods often suffer from limited generalization due to the insufficient diversity of available training datasets, while zero-shot methods tend to produce artifacts and require time-consuming test-time optimization. To address these issues, we propose FreeShadow, a training-free shadow removal method built upon pretrained diffusion models, which exploits diffusion priors for shadow removal without any training or optimization. For illumination recovery, we propose an illumination transfer attention (ITA), which re-weights the self-attention maps in diffusion model to transfer illumination cues from non-shadow to shadow regions. For content preservation, we analyze the effects of illumination variations on self-attention maps and latent high-frequency features in diffusion model, and selectively preserve illumination-invariant components to maintain content fidelity while suppressing residual shadows. We further propose local texture-preserving relighting (LTPR) to mitigate local texture misalignment caused by VAE compression. Extensive experiments demonstrate that our method achieves strong generalization and produces realistic shadow-free images.
- Abstract（参考訳）: 既存の教師付きおよび教師なしのシャドウ除去法は、利用可能なトレーニングデータセットの多様性が不十分なため、限られた一般化に悩まされることが多いが、ゼロショット法はアーティファクトを生成し、時間を要するテスト時間最適化を必要とする。
これらの問題に対処するために,事前訓練された拡散モデルに基づいて構築された学習自由影除去手法であるFreeShadowを提案する。
照明回復のために,拡散モデルにおける自己アテンションマップを重み付けし,非シャドー領域からシャドー領域へ照明キューを転送する照明伝達注意(ITA)を提案する。
コンテンツ保存のために、拡散モデルにおける自己アテンションマップと潜時高周波特徴に対する照明変動の影響を分析し、残影を抑えながら、コンテンツ忠実性を維持するために、照明不変成分を選択的に保存する。
さらに,VAE圧縮による局所的なテクスチャのずれを軽減するために,局所的なテクスチャ保存リライト(LTPR)を提案する。
大規模な実験により,本手法は強い一般化を実現し,現実的な影のない画像を生成することを示した。
関連論文リスト
- ZeroIDIR: Zero-Reference Illumination Degradation Image Restoration with Perturbed Consistency Diffusion Models [72.4683657127516]
照明画像復元のためのゼロ参照拡散ベースフレームワークZeroIDIRを提案する。
フレームワークは、復元プロセスを適応照明補正と拡散に基づく再構成に分離する。
公開されているベンチマーク実験により、提案手法は最先端の教師なし競争相手よりも優れていることが示された。
論文 参考訳（メタデータ） (2026-05-12T02:36:49Z) - Structure-Guided Diffusion Models for High-Fidelity Portrait Shadow Removal [34.35752953614944]
拡散型ポートレートシャドウ除去手法を提案する。
まず,種々の合成照明条件を持つ実世界のポートレートデータセット上で,影に依存しない構造抽出ネットワークを訓練する。
その後、構造地図は、影を生成的に除去する構造誘導塗布拡散モデルを訓練するための条件として使用される。
論文 参考訳（メタデータ） (2025-07-07T06:19:07Z) - Generative Portrait Shadow Removal [27.98144439007323]
我々は,肖像画のイメージを効果的に向上できる高忠実な肖像画影除去モデルを提案する。
また,本手法は,実環境で捕獲した多様な被験者に対して堅牢性を示す。
論文 参考訳（メタデータ） (2024-10-07T22:09:22Z) - Retinex-Diffusion: On Controlling Illumination Conditions in Diffusion Models via Retinex Theory [19.205929427075965]
我々は,拡散モデルをブラックボックス画像レンダリングとして概念化し,そのエネルギー関数を画像形成モデルに沿って戦略的に分解する。
これは、キャストシャドウ、ソフトシャドウ、反射間など、現実的な照明効果を持つ画像を生成する。
論文 参考訳（メタデータ） (2024-07-29T03:15:07Z) - 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) - 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) - Estimating Reflectance Layer from A Single Image: Integrating
Reflectance Guidance and Shadow/Specular Aware Learning [66.36104525390316]
本稿では,2段階の学習手法を提案し,その課題に対処するためのリフレクタンスガイダンスとシャドウ/スペック・アウェア(S-Aware)ネットワークを提案する。
第1段階では、新規な損失の制約を伴い、影や特異性のない初期反射層を得る。
第二段改良において、反射層が影や特異点に依存しないようにさらに強制するために、入力画像と反射像を区別するS-Awareネットワークを導入する。
論文 参考訳（メタデータ） (2022-11-27T07:26:41Z) - 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) - 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。