論文の概要: After a Decade: Bringing Shadow Removal into the Real World with Agentic Training Data

• arxiv url: http://arxiv.org/abs/2609.38607v1
• Date: Tue, 29 Sep 2026 22:10:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.79554
• Title: After a Decade: Bringing Shadow Removal into the Real World with Agentic Training Data
• Title（参考訳）: 10年後:エージェントトレーニングデータで影の除去を現実の世界に持ち込む
• Abstract要約: シャドウ除去は確立されたベンチマークでほぼ解決されているように見えるが、現実の世界ではまだ不安定だ。 本稿では、物理動機付け生成、故障検出、フィードバック駆動の再試行、候補選択、決定論的補正を組み合わせたオフラインエージェントワークフローを提案する。 我々は,一般的な場面,顔,リモートセンシングにまたがる17,138枚の画像マスクを対象とするデータセットであるAgenticShadowを構築した。
• 参考スコア（独自算出の注目度）: 48.30051606459974
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Shadow removal looks nearly solved on established benchmarks, yet remains brittle in the real world. Models have advanced; the paired training data they rely on have barely changed in nearly a decade. The reason is simple: obtaining a shadow-free target requires removing the occluder while keeping the scene, camera, and illumination otherwise unchanged, making diverse paired data difficult to capture. Meanwhile, large shadow detection datasets already contain diverse real-world images and masks, but no shadow-free targets. To turn this abundant but incomplete data into paired supervision, we propose an offline agentic workflow combining physics-motivated generation, failure detection, feedback-driven retry, candidate selection, and deterministic correction. Using this workflow, we construct AgenticShadow, a dataset of 17,138 image-mask-target triplets spanning general scenes, faces, and remote sensing. Our construction workflow reduces Color Distribution Difference by 50.5% over previous shadow removal work, while training existing shadow removal models on AgenticShadow reduces cross-domain LAB RMSE by 19.7-37.5%.
• Abstract（参考訳）: シャドウ除去は確立されたベンチマークでほぼ解決されているように見えるが、現実の世界ではまだ不安定だ。 モデルは進歩しており、彼らが頼りにしているペアのトレーニングデータは、ほぼ10年でほとんど変わっていない。 シャドウフリーのターゲットを得るには、シーン、カメラ、照明をそのままにしておく必要があるため、様々なペアデータを取得するのが難しくなる。 一方、大きなシャドウ検出データセットには、さまざまな現実世界の画像とマスクが含まれているが、シャドウのないターゲットは存在しない。 そこで本研究では, 物理動機付き生成, 故障検出, フィードバック駆動の再試行, 候補選択, 決定論的補正を組み合わせたオフラインエージェントワークフローを提案する。 このワークフローを用いて、一般的なシーン、顔、リモートセンシングにまたがる17,138のイメージマスクターゲット三脚のデータセットであるAgenticShadowを構築した。 建設ワークフローでは,従来の影除去作業よりも色分布差を50.5%削減し,既存の影除去モデルをAgenticShadowでトレーニングすることで,クロスドメインのLAB RMSEを19.7-37.5%削減する。

関連論文リスト

• Domain-Grounded Candidate Selection for Agentic Image Editing: A Shadow Removal Case [48.30051606459974]
  商用の視覚言語モデルはコンピュータビジョンを変形させており、タスク固有のシステムに匹敵するほど広範である。 これは、古典的で物理学的な低レベルのビジョンの必要性を減らすことができるのか、という自然な疑問を提起する。 本研究では,シーン幾何学,照明,材料,咬合器などによって形成される課題である影の除去を通じてこれを研究する。 直接使用する商用生成エディタは,表面テクスチャと局所的な外観を保存したクリーンな影のない編集を作成できることがわかった。 同じエディターがシーンコンテンツを再生したり、幻覚的なオブジェクトを再生したり、シャドウを素材として読み間違えたりできる。
  論文  参考訳（メタデータ） (2026-08-06T14:19:22Z)
• DocShaDiffusion: Diffusion Model in Latent Space for Document Image Shadow Removal [61.375359734723716]
  既存の方法は、一定の色の背景を持つ影を除去し、色影を無視する傾向がある。 本稿では,DocShaDiffusionと呼ばれる文書画像の影除去のための遅延空間での拡散モデルの設計を行う。 カラーシャドウの問題に対処するため、影ソフトマスク生成モジュール(SSGM)を設計する。 影マスク対応拡散モジュール (SMGDM) を提案し, 拡散・復調過程を監督し, 文書画像から影を除去する。
  論文  参考訳（メタデータ） (2025-07-02T07:22:09Z)
• 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)
• Deshadow-Anything: When Segment Anything Model Meets Zero-shot shadow removal [13.679620783042763]
  画像シャドー除去を実現するために,大規模データセットの一般化を考慮したDeshadow-Anythingを開発した。 拡散モデルは画像の端やテクスチャに沿って拡散し、画像の詳細を保存しながら影を取り除くのに役立つ。 シャドウ除去タスクの実験では、これらの手法が画像復元性能を効果的に向上できることが示されている。
  論文  参考訳（メタデータ） (2023-09-21T01:35:13Z)
• ShadowFormer: Global Context Helps Image Shadow Removal [41.742799378751364]
  シャドウ領域と非シャドウ領域のグローバルな文脈的相関を利用して、ディープシャドウ除去モデルを構築することは依然として困難である。 そこで我々はまず、ShandowFormerと呼ばれる新しいトランスフォーマーベースのネットワークを導出するRetinexベースのシャドウモデルを提案する。 グローバル情報を階層的にキャプチャするために,マルチスケールチャネルアテンションフレームワークが使用される。 本稿では,影と非陰影領域のコンテキスト相関を効果的にモデル化するために,影の相互作用を考慮したSIM(Shadow-Interaction Module)を提案する。
  論文  参考訳（メタデータ） (2023-02-03T10:54:52Z)
• 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)
• 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。