论文标题：Auto-Exposure Fusion for Single-Image Shadow Removal 论文链接：https://arxiv.org/abs/2103.01255 代码链接：https://github.com/tsingqguo/exposure-fusion-shadow-removal 作者单位：南卡罗莱纳大学 & 南洋理工 & 阿里巴巴 据作者称，这是从自动曝光融合的角度研究阴影去除问题的第一篇工作，表现SOTA！性能优于DHAN和DSC等网络，代码刚刚开源！

由于阴影固有的背景依赖性和空间变化特性，导致阴影模式未知且变化多样，因此阴影去除仍然是一项艰巨的任务。即使是功能强大的最先进的深度神经网络，也几乎无法恢复无痕阴影去除的背景。本文通过将其表述为解决问题的曝光融合问题，为该任务提出了一种新的解决方案。直观地讲，我们可以先估计多个曝光图像w.r.t.输入图像，以使这些图像中的阴影区域与输入图像中的无阴影区域具有相同的颜色。然后，我们将原始输入与过度曝光的图像融合在一起，以生成最终的无阴影副本。尽管如此，阴影的空间变化特性要求融合足够“聪明”，也就是说，它应该自动从不同的图像中选择合适的过度曝光像素，以使最终输出自然。为了解决这一挑战，我们提出使用阴影感知FusionNe}，将阴影图像作为输入，以生成所有过度曝光图像之间的融合权重图。此外，我们提出了边界感知RefineNet}，以进一步消除剩余的阴影痕迹。我们对ISTD，ISTD +和SRD数据集进行了广泛的实验，以验证我们方法的有效性，并在阴影区域显示了更好的性能，在非阴影区域显示了与最新方法相当的性能。

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