基于亮度引导网络并利用非配对数据训练的阴影去除方法
计算机视觉与模式识别
2021-01-14 v1
摘要
阴影去除可显著提升图像视觉质量，并在计算机视觉中有诸多应用。基于 CNN 的深度学习方法已成为最有效的阴影去除方法，其训练要么使用配对数据（即已知图像的阴影及其底层无阴影版本），要么使用非配对数据（即阴影与无阴影训练图像完全不同且无对应关系）。在实践中，鉴于训练数据收集的便利性，基于非配对数据的 CNN 训练更受青睐。本文提出一种新的亮度引导阴影去除网络（LG-ShadowNet），通过非配对数据训练实现阴影去除。在该方法中，我们首先训练一个 CNN 模块以补偿亮度，然后在第一个 CNN 模块亮度信息的引导下训练第二个 CNN 模块以完成最终阴影去除。我们还引入了一种损失函数以进一步利用现有数据的颜色先验。在广泛使用的 ISTD、调整后的 ISTD 和 USR 数据集上的大量实验表明，所提方法优于基于非配对数据训练的最先进方法。
引用
@article{arxiv.2006.15617,
title = {Shadow Removal by a Lightness-Guided Network with Training on Unpaired Data},
author = {Zhihao Liu and Hui Yin and Yang Mi and Mengyang Pu and Song Wang},
journal= {arXiv preprint arXiv:2006.15617},
year = {2021}
}
备注
Submitted to IEEE TIP