ShadowMamba：基于边界区域选择性扫描的状态空间模型用于阴影去除
计算机视觉与模式识别
2025-08-11 v4
摘要
图像阴影去除是典型的低层视觉任务。阴影导致局部亮度变化，降低下游视觉任务的性能。当前基于 Transformer 的阴影去除方法因自注意力机制而产生二次计算复杂度。为提高效率，许多方法使用局部注意力，但这限制了建模全局信息的能力，并削弱了区域之间亮度变化的感知。最近，Mamba 在视觉任务中表现出色，通过线性复杂度实现全局建模。然而，现有的扫描策略不适用于阴影去除，因为它们忽略了阴影边界和内部区域之间的语义连续性。为此，本文提出一种边界区域选择性扫描机制，捕获局部细节，同时增强它们之间的语义连续性，有效提高阴影去除性能。此外，引入一种阴影掩码去噪方法以支持扫描机制并提高数据质量。基于这些技术，本文提出一种称为 ShadowMamba 的模型，是首个专为阴影去除设计的 Mamba 模型。实验结果表明，所提方法在 AISTD、ISTD 和 SRD 数据集上优于现有主流方法，也在参数效率和计算复杂度方面显著优势。代码可在 https://github.com/ZHUXIUJINChris/ShadowMamba 获取。
引用
@article{arxiv.2411.03260,
title = {ShadowMamba: State-Space Model with Boundary-Region Selective Scan for Shadow Removal},
author = {Xiujin Zhu and Chee-Onn Chow and Joon Huang Chuah},
journal= {arXiv preprint arXiv:2411.03260},
year = {2025}
}