深度学习+图像处理+图像去噪+图像去阴影

# 去阴影效果

实战图片与之论文图片还是有较大差异，论文跑通也相对较难。

不过效果也凑合–

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

上图为随手拍的做的结果对比！

# 写作目的

由于缺乏有效的监督，无监督去阴影是很有挑战的。那么本文给了大家一个demo，我们只需要加上合适的loss，在某些复杂的场景中效果可能会超过有监督！这其实是很厉害的，直接可以指引本领域的发展方向。

该文涉及的元素很多：*阴影去除，传统的熵物理模型，

添加图片注释，不超过 140 字（可选）

从单个图像中删除阴影通常仍然是一个悬而未决的问题。大多数现有的基于学习的方法使用监督学习，并且需要大量的成对图像（阴影和相应的非阴影图像）进行训练。最近的一种无监督方法，掩码阴影GAN，解决了这一限制。

添加图片注释，不超过 140 字（可选）

但是，它需要二进制蒙版来表示阴影区域，因此不适用于柔和阴影。为了解决这个问题，在本文中，我们提出了一个无监督的域分类器引导式阴影删除网络DC-ShadowNet。

具体来说，我们建议将阴影/无阴影域分类器集成到生成器及其鉴别器中，使它们能够专注于阴影区域。为了训练我们的网络，我们引入了基于物理的无阴影色度，阴影鲁棒感知特征和边界平滑度的新型损失。

添加图片注释，不超过 140 字（可选）

此外，我们表明，我们的网络是无监督的，可用于测试时间训练，进一步改善结果。

我们的实验表明，所有这些新颖的成分使我们的方法可以处理软阴影，并且在数量和质量上都比现有的最先进的阴影去除方法在硬阴影上表现得更好。

# 结论

添加图片注释，不超过 140 字（可选）

• 我们提出了DC影子网，一个无人监督的以域为指导的基于学习的阴影去除方法分类网络，无阴影色度，阴影-鲁棒特征和边界平滑度损失。我们方法可以稳健地处理硬阴影和软阴影
  。
• 我们将域分类器与我们的生成器集成及其相应的鉴别器，使我们的方法成为可能以专注于阴影区域。为了训练DC影子网，我们使用新颖的无监督损失，使其能够直接学习来自未标记（无地面真相）的真实阴影图像。
• 集成及其相应的鉴别器，使我们的方法成为可能以专注于阴影区域。为了训练DC影子网，我们使用新颖的无监督损失，使其能够直接学习来自未标记（无地面真相）的真实阴影图像。
• 我们还表明，我们可以采用测试时间改进可以进一步提高我们的业绩。实验结果已确认我们的方法有效且性能优异最先进的阴影去除方法。