AeroDeshadow：面向航空航天图像的物理引导阴影合成与半影感知去阴影
计算机视觉与模式识别
2026-04-20 v1
摘要
阴影在高分辨率航空航天图像 (ASI) 中广泛存在。它们常导致谱系失真和信息损失，降低下游解释任务的性能。虽然深度学习方法已在自然图像阴影移除方面取得进展，但其直接应用于ASI面临两个主要挑战：其一，严格的配对训练数据严重缺乏；其二，均匀阴影假设无法处理航空航天场景中广泛的半影过渡区域。为解决这些问题，我们提出AeroDeshadow，一个集成物理引导阴影合成和半影感知恢复的统一两阶段框架。在第一个阶段，物理感知降解阴影合成网络 (PDSS-Net) 显式建模照明衰减和空间衰减。这一过程构建AeroDS-Syn，一个包含软边界过渡的大规模配对数据集。受该物理公式约束，半影感知级联去阴影网络 (PCDS-Net) 然后将输入分解为阴影区和半影区。通过逐步恢复这些区域，PCDS-Net减轻了边界伪影和过度校正。仅凭合成AeroDS-Syn训练，网络即可在无需配对真实标注的情况下泛化到真实世界ASI。实验结果表明，AeroDeshadow在合成和真实数据集上实现了统计学最佳精度和视觉保真度。该数据集和代码将公开发布于：https://github.com/AeroVILab-AHU/AeroDeshadow。
引用
@article{arxiv.2604.15903,
title = {AeroDeshadow: Physics-Guided Shadow Synthesis and Penumbra-Aware Deshadowing for Aerospace Imagery},
author = {Wei Lu and Zi-Yang Bo and Fei-Fei Sang and Yi Liu and Xue Yang and Si-Bao Chen},
journal= {arXiv preprint arXiv:2604.15903},
year = {2026}
}
备注
13 pages, 12 figures