Shadow feature refinement network: progressive feature refinement based on knowledge distillation for effective shadow removal

doi:10.1007/s00530-025-02036-5

2025-10-17

Donghyun Han

Byoung-Dai Lee *

DOI：10.1007/s00530-025-02036-5

原文链接

原文求助

摘要

En 中文

在深度学习领域，已取得显著进展；然而，由于光照条件影响导致阴影尺寸和颜色多变，阴影去除仍是一项持续存在的挑战。本研究提出了一种新颖的阴影特征精炼网络（SFR-Net），该网络利用监督学习、特征精炼损失和知识蒸馏来提升阴影去除性能。此外，引入了一种专用后处理算法，以恢复生成无阴影图像的自然颜色一致性。我们在两个公开数据集上评估了该方法：调整后的图像阴影三元组数据集（ISTD+）和阴影去除数据集（SRD），结果表明该方法在不同条件下具有强大的泛化能力。在ISTD+上，我们的模型在全图范围内实现了3.4627的均方根误差（RMSE）和0.9382的结构相似性指数测量（SSIM）；在SRD上，记录的RMSE为4.3781，SSIM为0.9341。这些全面的结果表明，我们的方法在阴影区域和非阴影区域均表现出竞争力，并为鲁棒且感知自然的阴影去除设定了一个有前景的方向。

Keyword:

Convolutional neural networks

Feature refinement

Knowledge distillation

Shadow removal