目录
Soft-Region Mask Predictor 软区域面具预测器
Shadow-Oriented Adaptive Normalization (SOAN)
Shadow-Aware Aggregation with Transformer (SAAT)
作者动机与工作:
用于图像增强的传统网络在隐藏层采用卷积运算。然而,大多数简单的卷积运算更关注周围的像素,只有一个小的接受域来提取局部信息,这可能不足以恢复整个图像。具体来说,在去除阴影的任务中,这种局部信息主要来自相同性质的区域(阴影或非阴影),而在相当程度上忽略了阴影和非阴影区域的关联和相互影响。为了解决这个关键问题,我们提出了短程和远程通信互补的CNSNet,充分利用了区域信息。
由于长距离建模的不足,基于CNN的方法不能彻底研究来自非阴影区域的信息。为了解决这个问题,我们提出了一种新型的无遮蔽阴影网络(CNSNet),其中包括一个面向阴影的自适应归一化(SOAN)模块和一个基于阴影掩码的阴影感知聚合(SAAT)模块。
我们提出了一个用于去除阴影的清洁导航阴影网络(CNSNet),它在阴影掩码的指导下研究从无阴影区域到阴影区域的关系。
- 我们设计了一个SOAN模块,从无影区中提取统计数据(如平均值和方差),并将其自适应地应用于阴影区,进行区域性修复。
此外,还引入了一个SAAT模块,将非阴影区域中具有高相关性的像素纳入考虑范围,以恢复阴影区域的像素级修复。
- 在公共ISTD、ISTD+和SRD数据集上进行的大量实验表明,我们的CNSNet不仅取得了比现有最先进方法更有竞争力的结果,而且还保持了网络参数、效率和性能的平衡。