CVPR 2023 | 基于颜色感知背景的文档图像阴影去除

最新推荐文章于 2024-08-25 10:01:25 发布
最新推荐文章于 2024-08-25 10:01:25 发布
阅读量2.1k 收藏 10
点赞数
文章标签： 人工智能 计算机视觉 深度学习
原文链接：https://mp.weixin.qq.com/s?__biz=MzUxNjcxMjQxNg==&mid=2247575729&idx=3&sn=88f19bc55130ad1003d1ba695843cfce&chksm=f9a0da3eced753288375f67f6369acbefed7f7798a90179880eecf27b757ea726b65e9a48c88&scene=126&sessionid=0
版权

点击下方卡片，关注“CVer”公众号

AI/CV重磅干货，第一时间送达

点击进入—>【目标检测和Transformer】交流群

转载自：CSIG文档图像分析与识别专委会

ec01b7aafa07c0a4dad07f2a19c967f5.png

本文简要介绍今年CVPR 2023的录用论文“Document Image Shadow Removal Guided by Color-Aware Background”的主要工作。现有的文档图像阴影去除方法 [1,2]依赖于固定值背景而忽略文档的其他印刷颜色，可能会对具有复杂背景的图像造成颜色失真或阴影残留问题。为了解决上述问题，作者提出了颜色感知背景提取网络(CBENet)提取彩色背景用于指导阴影去除网络(BGShadowNet)进行阴影去除。BGShadowNet分为两个阶段，在阶段一采用背景约束解码器生成一个粗略的结果，在阶段二通过在编码-解码模型中嵌入基于背景的注意力模块(BAModule)维持文档外观的一致性，用细节增强模块(DEModule)提高纹理细节来改进初步去阴影的结果。在两个基准数据集RDD和Kligler上定性和定量的实验证实了本文所提出方法的优越性。

一、研究背景

目前的文档阴影去除算法 [1,2]通常假设文档的背景颜色是一个固定值。用聚类 [1]或是深度学习 [2]的方法得到背景颜色指导文档图像阴影的去除。但是这样的做法会忽略文档中存在的其它印刷颜色，对文档背景复杂的图像可能会造成颜色失真或阴影残留的问题。如图1(d)存在颜色失真和阴影残留，(f) 存在阴影残留。而本文提出的基于颜色感知背景的文档图像阴影去除方法能很好地避免这两个问题。

f830380f860b67bcde62456bd3272aa8.png

图1 本文基于颜色感知背景的方法可以更好地去除文档图像阴影，避免颜色失真和阴影残留。

二、方法原理简述

eef6422529b1cdbac366b1b51f825362.png

图2 模型结构图

图2是模型的整体结构图，它包含颜色感知背景提取网络(Color-aware Background Extraction Network, CBENet)和阴影去除网络(Background-guided Shadow Removal Network , BGShadowNet)。CBENet采用U-Net [3]结构用于提取颜色随空间变化的彩色背景，提供一些有用的颜色信息帮助BGShadowNet进行阴影去除。彩色背景的GT计算过程如下，首先将无阴影的图像分为16×16的Patch，然后对于每个区域，根据像素强度聚类成两个簇，分别是背景和文字。一般来说背景比文字亮一些，用更亮的簇的均值作为这个Patch的背景颜色。最后对这个区域做平滑，避免边界颜色过度不平滑。图3展示了彩色背景的可视化。

5d4f278e1682695b408b9859dc40619f.png

图3 彩色背景可视化：(a) 阴影图像，(b) 局部背景图像，(c) 最终背景图像。

BGShadowNet包含两个阶段，阶段1的目的是生成一个粗略的阴影去除图像，采用U-Net [3]结构。为了利用背景图像的编码特征，在解码的时候将CBENet的编码特征集成到对应的层级，最后生成一个粗略的去阴影结果。在阶段2对阶段1的结果进行改进和提升。输入粗略的去阴影结果和原图的堆叠，进入一个编码-解码网络(DenseUnet [4])，在基于背景的注意力模块(Background-based Attention Module, BAModule)结合彩色背景信息保持文档外观的一致性。在细节增强模块(Detail Enhancement Module, DEModule)利用底层特征来恢复粗糙结果的纹理细节。最后的结果经过判别器判断文档的真实性。

9fb91ec1a78cfb1240f13eae99572092.png

图4 BAModule结构图

有相似背景的区域应该具有类似的外观(颜色和光照)。然而，粗略的去除阴影结果中可能存在光照或颜色伪影。为了保持图像的整体一致性，本文引入了一种基于背景的注意力模块(BAModule)，其结构如图4所示。编码特征和背景特征堆叠后经过卷积生成颜色感知注意力图与堆叠后的输入特征相乘得到输出特征。

由于网络中存在多个卷积和下采样操作，高层次的特征可能会丢失部分细节信息，导致细节模糊的结果。与高层次特征相比，CNN层的低层特征通常包含更多的纹理细节。因此，本文引入了一个细节增强模块(DEModule) 来利用网络中的低层特征，恢复粗略结果的纹理细节，其结构如图5所示。取编码器前两层的编码特征堆叠后经过两次卷积得到特征图M，全局平均池化后得到f0b6d733f7d87d5d90d23910290c7291.png，计算两者之间的余弦相似度得到S。通过以下公式对S进行量化得到量化编码图E，和量化级别L一起得到反映低层信息的相对统计信息的量化计数图C。C通过卷积后与上采样后的结果堆叠得到绝对统计信息H。H通过图5右侧的分支生成新的量化级别与量化编码图E相乘后得到输出特征。

eaea9a34f08252b09d73f451da7bb4ce.png

4a3da9695643a5c099a6a84ff708f362.png

图5 DEModule结构图

网络的Loss包括CBENet的背景重建Loss，第二个是阶段1和阶段2输出结果的Loss，第三个是结构一致性损失，最后一个是对抗损失。

bc53a25efe1b327d04e419599732096f.png

三、主要实验结果及可视化效果

本文构建了一个真实的文档阴影去除数据集RDD，4371份用于训练，545用于测试。测试的数据集还包括Kligler [5]。表1实验结果证明本文方法的有效性。两个数据集上的RMSE、PSNR和SSIM都优于现有的文档阴影去除方法。

表1 RDD和Kligler测试集的实验结果

4dc93937cce88c84cde92f57ddcd28b7.png

a8b2826b448b0ade7708cdec3ff44b12.png

dec5b742b6153549725d70ce965a9ff6.png图6 各种阴影去除方法的可视化比较：(a) 输入图像，(b) Jung，(c) DSC，(d) Fu，(e) DHAN，(f) CANet，(g) BEDSR-Net，(h) 本文的BGShadowNet，以及 (i) 真实标注图像。

用户测试的实验结果也表明本文的方法去阴影的效果排名最高。有20.32%的志愿者认为本文的方法去阴影的效果最好。

表2展示了本文提出的BAModule和DEModule的消融实验，图7是对应的可视化结果。表3展示了彩色背景的消融实验。

表2 在RDD和Kligler上的消融实验，BASE1：一个DenseUnet；BASE2：两个堆叠的DenseUnet；BGShadowNet1：没有Stage2；BGShadowNet2：没有DEModule和BAModule；BGShadowNet3：没有BAModule；BGShadowNet4：没有DEModule。

2734796aa3aa73a6121d0334f82261b9.png

0b41e3548ac274a804de8fff4eda2788.png图7 消融实验的可视化比较：(a) 输入图像，(b) BASE1，(c) BASE2，(d) BGShadowNet1，(e) BGShadowNet2，(f) BGShadowNet3，(g) BGShadowNet4，以及 (h) 本文的BGShadowNet。

表3 在RDD数据集上彩色背景的消融实验

65a0a41a4f5dd54cf2e061e34ac9f77c.png

四、总结及讨论

1. 为了解决现有方法对具有复杂背景的图像造成颜色失真或阴影残留问题，本文提出了颜色感知背景提取网络(CBENet)提取彩色背景用于指导阴影去除网络(BGShadowNet)进行阴影去除。

2. 本文提出基于背景的注意力模块(BAModule)维持文档外观的一致性，以及细节增强模块(DEModule)提高纹理细节。

3. 当图像受到严重的噪声干扰时，本文方法的阴影去除结果可能会包含一些残留噪声，导致与周围环境的亮度不均匀。

五、相关资源

论文地址：https://openaccess.thecvf.com/content/CVPR2023/papers/Zhang_Document_Image_Shadow_Removal_Guided_by_Color-Aware_Background_CVPR_2023_paper.pdf

参考文献

[1] Bako S, Darabi S, Shechtman E, et al. Removing shadows from images of documents[C]. ACCV, 2016.

[2] Y. H. Lin, W. C. Chen, and Y. Y. Chuang. Bedsr-net: A deep shadow removal network from a single document image [C]. CVPR, 2020.

[3] Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation[C]. MICCAI, 2015.

[4] N Bharath Raj and N Venkateswaran. Single image haze removal using a generative adversarial network [C]. CVPR, 2018.

[5] N. Kligler, S. Katz, and A. Tal. Document enhancement using visibility detection [C]. CVPR, 2018.

原文作者:Ling Zhang, Yinghao He, Qing Zhang, Zheng Liu, Xiaolong Zhang, Chunxia Xiao*

撰稿：李海洋 编排：高 学

审校：连宙辉 发布：金连文 

点击进入—>【目标检测和Transformer】交流群

最新CVPR 2023论文和代码下载

 
 
后台回复：CVPR2023，即可下载CVPR 2023论文和代码开源的论文合集
 
 
后台回复：Transformer综述，即可下载最新的3篇Transformer综述PDF
 
 
目标检测和Transformer交流群成立
扫描下方二维码，或者添加微信：CVer333，即可添加CVer小助手微信，便可申请加入CVer-目标检测或者Transformer 微信交流群。另外其他垂直方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch、TensorFlow和Transformer等。
一定要备注：研究方向+地点+学校/公司+昵称（如目标检测或者ransformer+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群

▲扫码或加微信号: CVer333，进交流群
CVer计算机视觉（知识星球）来了！想要了解最新最快最好的CV/DL/AI论文速递、优质实战项目、AI行业前沿、从入门到精通学习教程等资料，欢迎扫描下方二维码，加入CVer计算机视觉，已汇集数千人！

▲扫码进星球
▲点击上方卡片，关注CVer公众号
 
 
整理不易，请点赞和在看6f64d65c012223e10e4d946da2a290d3.gif
 


                

        

    

  



    


                



	

		

			

				
					
论文笔记【Document Image Shadow Removal Guided by Color-Aware Background】+代码复现

				
			

			

				

					m0_73786304的博客
				

				

					12-20
					
					1360
					
				

			

		

		

			
				
提出了一种色彩感知的背景提取网络（CBENet），用于从阴影图像中提取空间变化的背景，从而保留原始图像中的不同背景颜色，为后续的阴影去除提供更有用的颜色信息。使用自己拍摄的图像进行测试（图像的文字内容还原效果不错，但输出有奇怪的颜色出现，猜想是原数据集图像亮度高，而拍摄图像偏暗）提出了一种背景引导的阴影去除网络（BGShadowNet），利用估计的背景作为辅助信息实现文档图像的阴影去除。运行test.py文件，输入文档图像，输出得到去阴影图像。估计空间变化的文档图像背景，接着引导。左图对应的无阴影图像。

			
		

	



                

            
              



	

		

			

				
					
揭秘色彩魔法：智能感知背景下的文档图像阴影消除

				
			

			

				

					Kenji_Shinji的博客
				

				

					06-19
					
					995
					
				

			

		

		

			
				
相比之下，本文方法可以有效地恢复无伪影的阴影区域的照明，如图5(h)所示，与真实图像相似。为了验证本文方法的有效性，将本文的结果与各种最先进的阴影去除方法进行了比较，包括三种文档图像阴影去除方法(Bako、Jung和BEDSR-Net)和六种自然图像阴影去除方法(ST-CGAN、DSC、DHAN、Fu、CANet、SG-ShadowNet和BMNet)。请注意，该背景是无阴影的，这可以帮助BGShadowNet学习更多的无阴影功能，有助于去除阴影，同时更好地避免图像中的照明或彩色伪影(见图2(e))。

			
		

	



              


  
              

                


	

		

			

				
					
【CVPR】文档阴影去除

				
			

			

				

					Offshore_ouff的博客
				

				

					12-27
					
					1270
					
				

			

		

		

			
				
实验结果表明，使用空间变化背景的BEDSRb和使用空间变化背景的BGShadowNet都能获得更好的结果。调查结果显示，该方法生成的阴影去除图像被选为最佳无阴影图像的比例最高，证明了其在视觉上的优势和用户的认可度。然后，在编码器-解码器网络中嵌入一个BAModule和一个DEModule来改进粗略结果，并产生最终的无阴影结果，具有一致的外观和丰富的细节纹理。文档图像与自然图像具有明显不同的特征，传统的自然图像阴影去除方法在文档图像上表现不佳，这些方法可能会导致具有复杂背景的图像的颜色失真或阴影残余。

			
		

	





	

		

			

				
					
快速入门去除文档图像阴影算法——BEDSR-Net

				
			

			

				

					Y2807593076的博客
				

				

					12-23
					
					4426
					
				

			

		

		

			
				
如何快速地配置好可以运行这一个算法的环境？如果需要对这一个算法的神经网络进行训练的话，可以参考上一部分——算法的神经网络训练，如果我们只是想直接使用这一个算法来进行带有阴影的文档图像阴影去除的话，我们可以直接使用下载的算法源码中的demo.ipynb文件，这是一个jupyter NoteBook的代码文件，可以使用Anaconda这一个集成环境来进行打开使用。如果我们还没有下载这一个Anaconda怎么办？不用慌，可以直接到百度中搜索Anaconda的安装，或者直接点击这一篇博客Anaconda的安装。

			
		

	



		

			
		



	

		

			

				
					
（十二：2020.08.28）CVPR 2016 追踪之论文纲要（译）

				
			

			

				

					Jojo论文基地
				

				

					08-28
					
					4889
					
				

			

		

		

			
				
CVPR 2016 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录
讲在前面

论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这643篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。
论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。
下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。
Respect！


论文目录






			
		

	





	

		

			

				
					
（十四：2020.08.28）CVPR 2014 追踪之论文纲要（译）

				
			

			

				

					Jojo论文基地
				

				

					08-28
					
					2480
					
				

			

		

		

			
				
CVPR 2020 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录
讲在前面

论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这500篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。
论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。
下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。
Respect！


论文目录






			
		

	





	

		

			

				
					
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）

					
热门推荐

				
			

			

				

					Jojo论文基地
				

				

					08-27
					
					1万+
					
				

			

		

		

			
				
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录
讲在前面

论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。
论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。
Respect！


论文目录




论文
概要




12-in-1 - Multi-Task Vision and Language Repre

			
		

	





	

		

			

				
					
（十：2020.08.28）CVPR 2018 追踪之论文纲要（译）

				
			

			

				

					Jojo论文基地
				

				

					08-28
					
					7520
					
				

			

		

		

			
				
CVPR 2018 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录
讲在前面

论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这979篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。
论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。
下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。
Respect！


论文目录






			
		

	





	

		

			

				
					
（十一：2020.08.28）CVPR 2017 追踪之论文纲要（译）

				
			

			

				

					Jojo论文基地
				

				

					08-28
					
					3477
					
				

			

		

		

			
				
CVPR 2017 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录
讲在前面

论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。
论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。
下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。
Respect！


论文目录





			
		

	





	

		

			

				
					
图像序列目标检测中阴影的消除

				
			

			

				

					10-26
				

			

		

		

			
				
该论文是一篇关于图像序列中目标检测中阴影的消除方法，该方法目前是比较流行的方法

			
		

	





	

		

			

				
					
InstanceShadowDetection:实例阴影检测（CVPR 2020）

				
			

			

				

					04-01
				

			

		

		

			
				
实例阴影检测（CVPR'20）
 *，*，王琼，Pheng -安恒，和（*联合第一作者。）
 [  ] [  ] [  ]
 实例阴影检测旨在找到与对象实例配对的阴影实例。 我们提出了一个数据集，一个深入的框架和一个评估指标来应对这一新任务。 此在上。
依存关系
python> = 3.6
 火炬== 1.3.0 + cu100
 火炬视觉== 0.4.1 + cu100
 张量板
赛顿
朱皮特
scikit图像
麻木
的OpenCVPython的
pycocotools
安装
安装LISA和pysobatools 
$ cd InstanceShadowDetection
$ python setup.py install
$ cd PythonAPI
$ python setup.py install
码头工人
$ cd InstanceShadowDetection/docker
$

			
		

	





	

		

			

				
					
Image Inpainting图像修复（包括视频修复）近五年CVPR论文合集

				
			

			

				

					04-12
				

			

		

		

			
				
随着深度学习的快速发展，计算机视觉已成为人工智能领域非常热门的研究方向，而其中Inpainting领域备受关注。Inpainting分为图像修复（Image Inpainting）和视频修复（Video Inpainting）。此资源为世界顶级会议期刊CVPR近五年的Inpainting领域论文合集，希望有所帮助~

			
		

	





	

		

			

				
					
去掉Word中文档截图的阴影

				
			

			

				

					qq_30627595的博客
				

				

					12-11
					
					5556
					
				

			

		

		

			
				
在使用Word打印或者时，有时候图片中会有阴影，我们需要快速的去掉他们。

			
		

	





	

		

			

				
					
图像去阴影

				
			

			

				

					jacke121的专栏
				

				

					12-07
					
					5815
					
				

			

		

		

			
				
# -*- coding: UTF-8 -*-
import cv2
import numpy as np
import os

#%%

import cv2
import numpy as np
import matplotlib.pyplot as plt

#%%

def max_filtering(N, I_temp):
    wall = np.full((I_temp.shape[0]+(N//2)*2, I_temp.shape[1]+(N//2)*2), -1)
    wal...

			
		

	





	

		

			

				
					
图像阴影修复

				
			

			

				

					jacke121的专栏
				

				

					07-13
					
					4733
					
				

			

		

		

			
				
深度学习进修阴影检测

https://github.com/jacke121/DSC



matlab能修复：

https://github.com/kittenish/Image-Shadow-Detection-and-Removal

效果不好：

https://github.com/zyr17/ShadowRemoval

python的：

https://github....

			
		

	





	

		

			

				
					
图像的阴影检测消除和图像重建算法matlab仿真

				
			

			

				

					FPGA/MATLAB学习教程/源码/项目合作开发
				

				

					10-17
					
					3939
					
				

			

		

		

			
				
阴影是自然界中普遍存在的一种物理现象,图像中阴影的存在会对物体识别、目标追踪等计算机视觉的相关问题造成不利的影响,因此研究图像中阴影的检测和去除算法是十分必要的。静态图像中的阴影处理一直是一个比较困难的问题,在分析了阴影的成因和光谱属性的基础上,对静态图像中的阴影检测和阴影去除算法进行了研究。阴影检测是阴影处理算法的基础,阴影检测算法的准确性直接影响之后阴影去除算法的效果。最近的研究表明,对立色彩空间中的红-绿通道与阴影具有最大的无关性。

			
		

	





	

		

			

				
					
基于亮度差算法的图像阴影去除MATLAB实现

				
			

			

				

					PixelCoder的博客
				

				

					08-08
					
					379
					
				

			

		

		

			
				
该算法通过计算图像像素值之间的亮度差异，能够有效地去除图像中的阴影。我们可以根据不同的图像特征调整阈值、使用更复杂的形态学操作来去除不同大小的噪声和阴影区域，或将该算法与其他目标检测算法结合起来以实现更精准的阴影去除效果。该算法的性能和效果可以进一步提高。最后，我们还可以将该算法与其他目标检测算法结合起来，以实现更精准的阴影去除效果。当阴影区域被确定后，我们可以将其从原图像中剔除，从而实现阴影去除的目的。本文将介绍一种基于平衡亮度差的算法，该算法可以有效地去除图像中的阴影，同时保持图像的细节和纹理。

			
		

	





	

		

			

				
					
 高精度文档阴影移除：提升你的文档处理体验

					
最新发布

				
			

			

				

					gitblog_00604的博客
				

				

					08-25
					
					653
					
				

			

		

		

			
				
???? 高精度文档阴影移除：提升你的文档处理体验
 DocShadow-SD7K[ICCV 2023] A large-scale high-resolution dataset satisfies all important data features about document shadow, covers a large number of document shadow images.项目地...

			
		

	





	

		

			

				
					
CVPR 2023 RIDCP源码：真实雾天图像去雾技术分享

				
			

			

				

					
				

			

		

		

			
				
资源摘要信息: "CVPR 2023 RIDCP源码"  在计算机视觉领域，图像去雾一直是一个具有挑战性的课题。雾天条件下拍摄的图像会因为散射效应导致色彩失真、对比度降低以及细节模糊等问题，这极大地影响了图像的质量和后续...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值