Towards Image Ambient Lighting Normalization

照明归一化是一项至关重要但尚未充分探索的修复任务，具有广泛的应用。然而，现有的工作经常将这个任务简化为在去除阴影的情况下进行，将光源限制在一个并简化场景，因此排除了复杂的自身阴影并限制了表面类别为光滑的情况。虽然有前途，但这种简化阻碍了在日常使用中遇到的更现实的设置的普适性。在本文中，我们提出了一项新的具有挑战性的任务，称为环境照明归一化(ALN)，它使得可以研究阴影之间的相互作用，将图像修复和阴影去除统一到更广泛的背景下。为了解决ALN缺乏适当数据集的问题，我们引入了大规模高分辨率数据集Ambient6K，其中包括来自多个光源的样本，并包括由复杂几何形状产生的自身阴影，这是首个这样的数据集。为了进行基准测试，我们选择了各种主流方法，并在Ambient6K上进行了严格评估。此外，我们提出了IFBlend，一种新颖的强基线，通过最大化图像频率联合熵，选择性地恢复不同照明条件下的局部区域，而不依赖于阴影定位先验。实验表明，IFBlend在Ambient6K上实现了SOTA得分，并在传统阴影去除基准测试中表现出与具有掩模先验的阴影特定模型相比的竞争性能。数据集、基准测试和代码可在https://github.com/fvasluianu97/IFBlend上获得。

论文提出了一项新的挑战性任务——环境光照归一化（ALN），旨在研究阴影与图像恢复的相互作用，以更广泛的背景下统一图像恢复和阴影去除。同时，为了解决缺乏适当数据集的问题，论文介绍了一个大规模高分辨率数据集Ambient6K，包括来自多个光源的样本和由复杂几何体产生的自身阴影。

论文提出了IFBlend，一种新颖的强基线方法，它最大化图像频率联合熵，以在不依赖于阴影定位先验的情况下选择性地恢复不同照明条件下的局部区域。IFBlend在Ambient6K上实现了SOTA的分数，并且与具有掩码先验的阴影特定模型相比，在传统的阴影去除基准测试中表现出有竞争力的性能。

论文介绍了一个新的挑战性任务ALN，提出了一个大规模高分辨率数据集Ambient6K，为研究阴影与图像恢复的相互作用提供了一个更广泛的背景。论文提出了IFBlend，一种新颖的强基线方法，它最大化图像频率联合熵，以在不依赖于阴影定位先验的情况下选择性地恢复不同照明条件下的局部区域。实验结果表明，IFBlend在Ambient6K上实现了SOTA的分数，并且与具有掩码先验的阴影特定模型相比，在传统的阴影去除基准测试中表现出有竞争力的性能。

最近在这个领域中，还有一些相关的研究被进行，如：'Deep Shadow Removal with Gated Convolutional Networks'，'Unsupervised Deep Shadow Detection and Removal from a Single Image'，'Shadow Detection and Removal using Deep Learning: A Review'等。