LAB-Net：面向 LAB 色彩空间的轻量级阴影去除网络
计算机视觉与模式识别
2022-09-07 v2
摘要
本文关注当前过度参数化阴影去除模型的局限性。我们提出了一种在 LAB 色彩空间中处理阴影图像的新型轻量级深度神经网络。所提网络称为“LAB-Net”，其动机源于以下三点观察：首先，LAB 色彩空间能很好地分离亮度信息与色彩属性。其次，顺序堆叠的卷积层未能充分利用来自不同感受野的特征。第三，非阴影区域是减小阴影与非阴影区域间剧烈色彩差异的重要先验知识。因此，我们通过引入双分支结构来设计 LAB-Net：L 与 AB 分支。从而阴影相关的亮度信息可在 L 分支中得到良好处理，而色彩属性在 AB 分支中得以良好保留。此外，每个分支由若干基本块、局部空间注意力模块（LSA）和卷积滤波器组成。每个基本块由多个具有不同膨胀率的并行膨胀卷积构成，以接收不同感受野，并以不同网络宽度运行以节省模型参数与计算成本。随后，构建增强通道注意力模块（ECA）以聚合来自不同感受野的特征，实现更好的阴影去除。最后，进一步开发 LSA 模块以充分利用非阴影区域中的先验信息来净化阴影区域。我们在 ISTD 和 SRD 数据集上进行了大量实验。实验结果表明，我们的 LAB-Net 明显优于 SOTA 方法。同时，我们模型的参数与计算成本降低了数个数量级。我们的代码可在 https://github.com/ngrxmu/LAB-Net 获取。
引用
@article{arxiv.2208.13039,
title = {LAB-Net: LAB Color-Space Oriented Lightweight Network for Shadow Removal},
author = {Hong Yang and Gongrui Nan and Mingbao Lin and Fei Chao and Yunhang Shen and Ke Li and Rongrong Ji},
journal= {arXiv preprint arXiv:2208.13039},
year = {2022}
}
备注
10 pages, 6 figures, 29 references