S3R-Net: A Single-Stage Approach to Self-Supervised Shadow Removal

本文介绍了 S3R-Net，即自监督去除阴影网络。该双分支 WGAN 模型通过“统一并调整”现象实现自监督 - 它统一了输出数据的风格，并从一个未对齐的无阴影参考图像数据库中推断出其特征。这种方法与大量监督框架形成对比。S3R-Net 还与少数以循环一致方式操作的现有自监督模型有所区别，因为它是一个非循环的单向解决方案。所提出的框架在保持计算成本低的同时，实现了与最近的自监督阴影去除模型相当的数值得分，表现出更优秀的定性性能。

本论文旨在提出一种自监督的阴影去除网络，通过利用无法对齐的无阴影参考图像数据库来实现自监督，以达到去除图像阴影的目的。

该论文的主要思路是利用无法对齐的无阴影参考图像数据库，实现自监督学习，从而去除图像中的阴影。相比于当前大量的监督学习框架，该论文提出的方案是一种非循环、单向的解决方案。

论文的实验结果表明，该方法在数值上与最近的自监督阴影去除模型相当，但在质量上表现更好，同时计算成本较低。论文还提供了数据集和代码，方便其他研究者进行进一步研究。

最近的相关研究包括：Self-Supervised Shadow Removal Using GANs and a Light and Shadow Prior (ICCV 2019)、Self-Supervised Shadow Removal via De-Lighting (CVPR 2020)等。