论文标题：Learning from Synthetic Shadows for Shadow Detection and Removal 论文链接：https://arxiv.org/abs/2101.01713 代码链接：https://github.com/naoto0804/SynShadow 作者单位：东京大学 本文提出一种大规模阴影/无阴影/蒙版图像的合成数据集：SynShadow以及合成pipeline，在SynShadow上训练的阴影去除模型可以很好地去除各种阴影。而且仅对SynShadow预训练模型进行微调可改进现有的阴影检测和去除模型性能。代码和数据集刚刚开源！

阴影去除（Shadow removal）是计算机视觉和计算机图形学中的基本任务。最近的阴影去除方法对真实配对的shadow/shadow-free或shadow/shadow-free/mask 图像数据集的所有训练卷积神经网络（CNN）。然而，获得大规模，多样且准确的数据集一直是一个巨大的挑战，并且它限制了学习的模型在具有看不见的形状/强度的阴影图像上的性能。为了克服这一挑战，我们提出了SynShadow，这是一种新颖的大规模合成阴影/无阴影/蒙版图像三元组数据集以及用于对其进行合成的pipeline。我们扩展了一个 physically-grounded的阴影照明模型，并给定了无阴影图像，遮罩图像和阴影衰减参数的任意组合，从而合成了阴影图像。由于SynShadow的多样性，数量和质量，我们证明了在某些具有挑战性的基准上，在SynShadow上训练的阴影去除模型可以很好地去除具有各种形状和强度的阴影。此外，我们表明，仅对SynShadow预训练模型进行微调可以改善现有的阴影检测和去除模型。

内容中包含的图片若涉及版权问题，请及时与我们联系删除