CNSNet: A Cleanness-Navigated-ShadowNetwork for Shadow Removal论文阅读笔记

目录

作者动机与工作：

CNSNet网络架构

Soft-Region Mask Predictor 软区域面具预测器

软区域面具损失

 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。