論文の概要: Shadow Feature Refinement Network: Progressive Feature Refinement based on Knowledge Distillation for Effective Shadow Removal

• arxiv url: http://arxiv.org/abs/2610.05325v1
• Date: Sun, 04 Oct 2026 15:49:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 21:41:41.126188
• Title: Shadow Feature Refinement Network: Progressive Feature Refinement based on Knowledge Distillation for Effective Shadow Removal
• Title（参考訳）: シャドー・フィーチャー・リファインメント・ネットワーク:効果的なシャドー除去のための知識蒸留に基づくプログレッシブ・フィーチャー・リファインメント
• Abstract要約: 本研究では,新しい影特徴改善ネットワーク(SFR-Net)を提案する。 教師付き学習、機能の洗練損失、知識蒸留を活用してシャドウ除去性能を向上させる。 生成したシャドウフリー画像の自然な色の一貫性を回復するために、専用の後処理アルゴリズムが導入された。
• 参考スコア（独自算出の注目度）: 0.7448254811651417
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the field of deep learning, has seen significant advancements; however, shadow removal remains a persistent challenge owing to the variable sizes and colors of shadows influenced by lighting conditions. This study proposes a novel shadow feature refinement network (SFR-Net), which leverages supervised learning, feature refinement loss, and knowledge distillation to enhance shadow removal performance. A dedicated post-processing algorithm is further introduced to restore natural color consistency in the generated shadow-free images. We evaluated our method on two public datasets: the adjusted image shadow triplet dataset (ISTD+) and the shadow removal dataset (SRD), which demonstrate strong generalization capabilities under diverse conditions. On ISTD+, our model achieved a root mean square error (RMSE) of 3.4627 and structural similarity index measure (SSIM) of 0.9382 across the entire image. On SRD, it recorded an RMSE of 4.3781 and an SSIM of 0.9341. These comprehensive results show that our approach performs competitively across both shadow and non-shadow regions while setting a promising direction for robust and perceptually natural shadow removal. Code is available at https://github.com/DongHyun99/SFRNet.
• Abstract（参考訳）: 深層学習の分野では、大きな進歩が見られるが、照明条件に影響された影の大きさや色の変化のため、影の除去は引き続き永続的な課題である。 本研究では,シャドウ除去性能を高めるために,教師付き学習,特徴改善損失,知識蒸留を活用した新しいシャドウ特徴改善ネットワーク(SFR-Net)を提案する。 さらに、生成したシャドウフリー画像の自然な色の一貫性を回復するために、専用の後処理アルゴリズムが導入された。 本研究では,画像シャドウトリプルトデータセット (ISTD+) とシャドウ除去データセット (SRD) の2つの公開データセットを用いて評価を行った。 ISTD+では3.4627の根平均二乗誤差(RMSE)と0.9382の構造類似度指数(SSIM)を画像全体で達成した。 SRDではRMSEが4.3781、SSIMが0.9341であった。 これらの総合的な結果から,本手法はシャドーと非シャドウの両領域で競争力を発揮しつつ,頑健かつ知覚的に自然なシャドウ除去に向けて有望な方向を定めている。 コードはhttps://github.com/DongHyun99/SFRNetで入手できる。

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)
• 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)
• 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)

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。