DeshadowMamba：将阴影去除建模为1D顺序相似性
计算机视觉与模式识别
2025-10-29 v1
摘要
最近的深度模型用于图像阴影移除通常依赖于基于注意力的架构来捕获长程依赖关系。然而，这些固定的注意力模式倾向于混合来自无关区域的照明线索，导致结构失真和颜色不一致。在本工作中，我们从序列建模的角度重新审视图像阴影移除，探讨使用Mamba——一种选择性状态空间模型，通过方向性状态转换传播全局上下文。这些转换在保持位置连续性的同时，产生高效的全局感受野。尽管具有潜力，但直接将Mamba应用于图像数据仍不理想，因为它缺乏对阴影与非阴影语义的感知，同时容易受到相邻区域颜色干扰。为此，我们提出CrossGate——一种方向性调制机制，将阴影感知的相似性注入Mamba的输入门，以允许在转换轴上选择性地整合相关上下文。为进一步确保外观保真度，我们引入ColorShift正则化——一种由全局颜色统计驱动的对比学习目标。通过合成结构化的informative负样本，它引导模型抑制颜色污染并实现稳健的颜色恢复。总体而言，这些组件将序列建模适应于阴影移除所需的结构完整性和色彩一致性。广泛的基准实验表明，DeshadowMamba在视觉质量和强量化性能方面均实现了最先进水平。
引用
@article{arxiv.2510.24260,
title = {DeshadowMamba: Deshadowing as 1D Sequential Similarity},
author = {Zhaotong Yang and Yi Chen and Yanying Li and Shengfeng He and Yangyang Xu and Junyu Dong and Jian Yang and Yong Du},
journal= {arXiv preprint arXiv:2510.24260},
year = {2025}
}