深层阴影：深度学习时代下图像和视频阴影检测、移除与生成综述与基准
计算机视觉与模式识别
2026-03-16 v3 图形学
多媒体
摘要
由光线遮挡形成的阴影在视觉感知中起着 essential 作用，直接影响场景理解、图像质量和视觉真实感。本文提出了深度学习基于阴影检测、移除和生成的统一综述与基准测试，覆盖图像和视频。我们引入一致的分类体系，用于架构、监督策略和学习范式；审阅主要数据集和评估协议；并在标准化设置下重新训练代表性方法，以实现公平比较。我们的基准揭示了关键发现，包括先前报告中的不一致性、模型设计和分辨率的强依赖性，以及由于数据集偏差导致的跨数据集泛化受限。通过综合这三个任务中的见解，我们突出了连接检测、移除和生成的共享照明线索和先验条件。我们进一步概述了未来方向，包括统一的全能框架、语义和几何感知推理、基于阴影的AIGC真实性分析，以及将物理引导的先验条件集成到多模态基础模型中。发布的校正后数据集、训练好的模型和评估工具以支持可重复研究。
引用
@article{arxiv.2409.02108,
title = {Unveiling Deep Shadows: A Survey and Benchmark on Image and Video Shadow Detection, Removal, and Generation in the Deep Learning Era},
author = {Xiaowei Hu and Zhenghao Xing and Tianyu Wang and Chi-Wing Fu and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2409.02108},
year = {2026}
}
备注
Accepted by International Journal of Computer Vision (IJCV). Publicly available results, trained models, and evaluation metrics at https://github.com/xw-hu/Unveiling-Deep-Shadows