SARU：面向遥感图像的阴影感知与去除统一框架及新基准
计算机视觉与模式识别
2026-05-13 v2
摘要
阴影是遥感图像（RSI）中的普遍问题，会降低视觉质量并严重限制目标检测与语义分割等下游任务的性能。以往大多数工作将阴影检测与去除作为独立的级联任务处理，这可能导致流程繁琐与误差累积。此外，许多深度学习方法依赖成对的阴影与非阴影图像进行训练，而这在实际应用中往往难以获取。为应对这些挑战，我们提出了阴影感知与去除统一（SARU）框架，这是一个紧凑的两阶段框架。首先，其双分支检测模块（DBCSF-Net）融合多色彩空间与语义特征以生成高保真阴影掩码，有效区分阴影与暗色物体。随后，利用这些掩码，一种新颖的免训练物理算法（NSGSR）通过在单张输入图像内从相邻非阴影区域转移属性来恢复光照。为促进严格评估并推动未来工作，我们还引入了两个新的基准数据集：RSI 阴影检测（RSISD）数据集和单图像阴影去除基准（SiSRB）。在 AISD 和 RSISD 数据集上的大量实验表明，SARU 实现了 SOTA 的阴影检测性能。在阴影去除方面，我们免训练的 NSGSR 算法平均处理速度约为 s，比 SOTA 的 MAOSD 快 倍以上，同时在 AISD 和 SiSRB 数据集上保持接近 0.9 的 SRI 值，这一水平可与先进的 RS-GSSR 方法相媲美。通过整体集成阴影检测与去除以减轻误差传播，并消除对成对训练数据的依赖，SARU 为真实世界的 RSI 分析建立了一个稳健、实用的框架。代码和数据集已公开获取：https://github.com/AeroVILab-AHU/SARU
引用
@article{arxiv.2604.25432,
title = {SARU: A Shadow-Aware and Removal Unified Framework for Remote Sensing Images with New Benchmarks},
author = {Zi-Yang Bo and Wei Lu and Hongruixuan Chen and Si-Bao Chen and Bin Luo},
journal= {arXiv preprint arXiv:2604.25432},
year = {2026}
}
备注
Accepted by ISPRS