論文の概要: Consistency as Regularization for Unsupervised Shadow Removal

• arxiv url: http://arxiv.org/abs/2609.01806v1
• Date: Tue, 01 Sep 2026 19:26:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.941704
• Title: Consistency as Regularization for Unsupervised Shadow Removal
• Title（参考訳）: 非教師付きシャドウ除去のための規則化としての一貫性
• Abstract要約: シャドウイメージから直接シャドウ除去を学習する、教師なしのフレームワークであるシャドウCLRを提案する。 私たちのキーとなる観察は、背景のシーン内容がほぼ一貫したままである間、影は観察によって異なることである。 複数のベンチマークの実験では、ShadowCLRは最先端の教師なしメソッドよりも競争力があり、しばしば優れたパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 1.2289361708127875
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shadow removal is an important preprocessing step for many vision tasks, yet existing supervised methods require paired shadow and shadow-free images, while unsupervised approaches often still rely on shadow masks or shadow-free references. We propose ShadowCLR, an unsupervised framework that learns shadow removal directly from shadow images. Our key observation is that shadows vary across observations while the underlying scene content remains largely consistent. We therefore use consistency across shadow observations as regularization, encouraging the model to recover scene-consistent appearance while suppressing shadow-specific variations. Global and local consistency further enable us to explore visually related images, learn from imperfectly aligned observations, and focus the representation on shared scene information. Experiments on multiple benchmarks show that ShadowCLR achieves competitive and often superior performance over state-of-the-art unsupervised methods, demonstrating that consistency can provide regularization for shadow removal without shadow masks or shadow-free images.
• Abstract（参考訳）: シャドウ除去は多くの視覚タスクにおいて重要な前処理ステップであるが、既存の教師なしの手法ではペア化されたシャドウとシャドウフリーのイメージを必要とするが、教師なしのアプローチはシャドウマスクやシャドウフリーの参照に依存していることが多い。 シャドウイメージから直接シャドウ除去を学習する、教師なしのフレームワークであるシャドウCLRを提案する。 私たちのキーとなる観察は、背景のシーン内容がほぼ一貫したままである間、影は観察によって異なるということです。 そこで我々は,影観察間の一貫性を正規化として利用し,影固有の変動を抑えつつ,シーン一貫性の出現をモデルに促す。 グローバルかつ局所的な一貫性により、視覚的に関連のある画像を探索し、不完全な一致した観察から学び、共有シーン情報に焦点を合わせることができる。 複数のベンチマークの実験では、ShadowCLRは最先端の教師なしメソッドよりも競争力があり、しばしば優れたパフォーマンスを実現しており、一貫性がシャドウマスクやシャドウフリーなイメージなしでシャドウ除去の正規化を可能にすることを実証している。

関連論文リスト

• Revisiting Shadow Detection from a Vision-Language Perspective [88.46763399969217]
  Shadow Vision-Language (SVL)は、視覚的に類似した暗黒領域からの曖昧な影への明示的なセマンティック参照として言語を使用する。 SVLはテキスト埋め込みに局所的なパッチレベルの制約を適用し、挑戦的な外観条件下でのきめ細かい識別を改善する。 フリーズされたDINOv3イメージエンコーダ上に構築されたこのフレームワークは、軽量なプロジェクションとデコードモジュールのみを学習し、トレーニング可能なパラメータが1%未満のパラメータ効率の高い設計をもたらす。
  論文  参考訳（メタデータ） (2026-05-12T08:42:30Z)
• 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)
• OmniSR: Shadow Removal under Direct and Indirect Lighting [16.90413085184936]
  間接照明からのシャドウ除去における重要な課題は、シャドウ除去ネットワークを訓練するためのシャドウフリー画像を取得することである。 直接的および間接的な照明下で影のない画像を生成するための新しいレンダリングパイプラインを提案する。 また,結合と注意機構を通じて意味的および幾何学的先行を明示的に統合する,革新的なシャドウ除去ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-10-02T16:30:10Z)
• 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)
• 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)
• 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)
• 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)
• UnShadowNet: Illumination Critic Guided Contrastive Learning For Shadow Removal [14.898039056038789]
  弱教師付きシャドウ除去フレームワークUnShadowNetを導入する。 イルミネーションネットワークの誘導の下で抽出した影を除去するDeShadowerネットワークで構成されている。 We show that UnShadowNet can be extended to a full-supervised set-up to to exploit the ground-truth when available。
  論文  参考訳（メタデータ） (2022-03-29T11:17:02Z)
• 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)
• Unsupervised Shadow Removal Using Target Consistency Generative Adversarial Network [3.1664163912309613]
  教師なしのシャドウ除去は、シャドウデータと非シャドウデータがない状態で、元の画像をシャドウドメインから非シャドウドメインにマッピングする非線形関数を学習することを目的としている。 シャドウ除去作業のための簡易かつ効率的な目標整合性生成対向ネットワーク(TC-GAN)を教師なし方式で開発する。
  論文  参考訳（メタデータ） (2020-10-03T06:55:26Z)

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。