論文の概要: ShadowCast: On-the-Fly Context-Aware Shadow Augmentation for Remote Sensing Image Segmentation

• arxiv url: http://arxiv.org/abs/2610.23440v2
• Date: Tue, 20 Oct 2026 10:41:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.225876
• Title: ShadowCast: On-the-Fly Context-Aware Shadow Augmentation for Remote Sensing Image Segmentation
• Title（参考訳）: ShadowCast: リモートセンシング画像セグメンテーションのためのオンザフライコンテキスト対応シャドウ拡張
• Abstract要約: 高い物体によって投影される影は、スペクトルの外観を変え、リモートセンシング画像における物体の境界を曖昧にする。 本稿では,リモートセンシングセグメンテーションのトレーニング中にシャドーを合成し,それらを注入するShadowCastを提案する。 セグメンテーションラベルから直接、建物や木などの高層オブジェクトのマスクを抽出し、画像固有のキャストシャドー方向キューを推定する。 その後、推論されたキャストシャドー方向に沿って合成シャドーを投影し、学習されたネットワークを必要とせず、取得メタデータも必要としない。
• 参考スコア（独自算出の注目度）: 8.318686824572803
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shadows cast by elevated objects alter the spectral appearance and obscure the boundaries of objects in remote sensing images, thereby degrading semantic segmentation performance. Most existing approaches handle shadows as degradations to be detected and removed, requiring additional costs from dedicated networks and shadow-specific annotations. We propose ShadowCast, which takes the opposite approach: it synthesizes shadows and injects them during training for remote sensing segmentation. It extracts masks of elevated objects, such as buildings and trees, directly from the segmentation labels and estimates an image-specific cast-shadow direction cue by probing the brightness around them. It then projects synthetic shadows along the inferred cast-shadow direction, requiring no learned network and no acquisition metadata. Experiments on three widely used remote sensing benchmarks, Vaihingen, Potsdam, and LoveDA, show that ShadowCast consistently outperforms the baseline across diverse state-of-the-art segmentation architectures. Moreover, it brings additional performance gains when combined with standard augmentation and regularization techniques, indicating that stochastic shadow injection serves as a simple and complementary augmentation strategy for remote sensing segmentation.
• Abstract（参考訳）: 被写体による影は、スペクトルの外観を変え、リモートセンシング画像における物体の境界を曖昧にすることで、セマンティックセグメンテーション性能を低下させる。 既存のほとんどのアプローチは、検出と削除のためにシャドウを扱い、専用のネットワークとシャドウ固有のアノテーションから追加のコストが必要になる。 遠隔センシングセグメンテーションのための訓練中にシャドウを合成し、それらを注入するシャドウCastを提案する。 建物や木などの高層オブジェクトのマスクをセグメンテーションラベルから直接抽出し、その周囲の明るさを推定することにより、画像固有のキャストシャドウ方向のキューを推定する。 その後、推論されたキャストシャドー方向に沿って合成シャドーを投影し、学習されたネットワークを必要とせず、取得メタデータも必要としない。 Vaihingen、Potsdam、LoveDAの3つの広く使用されているリモートセンシングベンチマークの実験によると、ShadowCastはさまざまな最先端セグメンテーションアーキテクチャで一貫してベースラインを上回っている。 さらに,標準的な拡張法と正規化法を組み合わせることで,遠隔センシングセグメンテーションの簡易かつ補完的な拡張戦略として,確率的シャドウインジェクションが有効であることを示す。

関連論文リスト

• SARU: A Shadow-Aware and Removal Unified Framework for Remote Sensing Images with New Benchmarks [13.514199503432467]
  リモートセンシング画像(RSI)における影は一般的な問題である それまでの作業のほとんどは、シャドウ検出と削除を分離されたカスケードされたタスクとして扱う。 我々はShadow-Aware and removal Unified (SARU)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-28T09:38:02Z)
• DeshadowMamba: Deshadowing as 1D Sequential Similarity [85.07259906446588]
  指向性状態遷移を通じてグローバルなコンテキストを伝播する選択状態空間モデルであるMambaを紹介する。 その可能性にもかかわらず、マンバを画像データに直接適用することは、シャドー・ノン・シャドウ・セマンティクスの認識が欠けているため、最適ではない。 我々は,マンバの入力ゲートにシャドウ・アウェアの類似性を注入する方向変調機構であるCrossGateを提案する。 外観の忠実度をさらに高めるために,グローバルな色統計によって駆動される対照的な学習目標であるColorShift正則化を導入する。
  論文  参考訳（メタデータ） (2025-10-28T10:14:23Z)
• 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)
• SwinShadow: Shifted Window for Ambiguous Adjacent Shadow Detection [90.4751446041017]
  スウィンシャドウ(SwinShadow)は、隣接する影を検出するための強力なシフトウインドウ機構をフル活用したトランスフォーマーベースのアーキテクチャである。 プロセス全体は、エンコーダ、デコーダ、機能統合の3つの部分に分けられる。 SBU, UCF, ISTDの3つのシャドウ検出ベンチマークデータセットの実験により, ネットワークがバランスエラー率(BER)の点で優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-08-07T03:16:33Z)
• Cross-Modal Spherical Aggregation for Weakly Supervised Remote Sensing Shadow Removal [22.4845448174729]
  本研究では,S2-ShadowNetと呼ばれる球面特徴空間を持つ弱教師付きシャドウ除去ネットワークを提案する。 具体的には、クロスドメインマッピングを学習するために、モーダル変換(可視赤外)モデルを使用し、現実的な赤外線サンプルを生成する。 シャドウマスクを用いた4000個のシャドウ画像を含む,大規模に監督されたシャドウ除去ベンチマークに寄与する。
  論文  参考訳（メタデータ） (2024-06-25T11:14:09Z)
• 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)
• Video Instance Shadow Detection Under the Sun and Sky [81.95848151121739]
  ViShadowは、半教師付きビデオインスタンスのシャドウ検出フレームワークである。 クロスフレームペアリングのための対照的な学習を通じて、シャドーとオブジェクトインスタンスを識別する。 一時的な消失を管理するための検索機構が導入された。
  論文  参考訳（メタデータ） (2022-11-23T10:20:19Z)
• 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)
• R2D: Learning Shadow Removal to Enhance Fine-Context Shadow Detection [64.10636296274168]
  現在のシャドウ検出方法は、小さく、不明瞭で、ぼやけたエッジを持つシャドウ領域を検出する際には、性能が良くない。 本稿では,深層ニューラルネットワークを修復訓練(シャドウ除去)するRestore to Detect(R2D)という新しい手法を提案する。 提案手法は,近年の手法に比べて微妙なコンテキストの検出が可能でありながら,影検出性能の向上を図っている。
  論文  参考訳（メタデータ） (2021-09-20T15:09:22Z)

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。