Diff-Shadow阴影去除

一、为什么要做“阴影去除”？

在计算机视觉（CV）领域，这种“带影子的图像”会给后续工作添麻烦：比如用AI识别图像里的物体时，影子可能被误认成“小石块”“水坑”；用AI跟踪行人时，影子的移动可能让AI以为“人在变形状”。所以，“阴影去除”的目标很简单：把图像里的影子去掉，让影子区域的亮度、颜色和周围正常区域保持一致，同时不破坏图像原本的细节。

二、过去的方法有什么缺点？

在这篇论文之前，研究者们主要用两种思路做阴影去除，但都有明显问题：

1. 基于Transformer的方法（比如ShadowFormer）

• 优点：能“看到”整个图像的全局信息，比如知道“树的影子”应该和“树旁边的草地”颜色相近，从而关联影子和非影子区域。

• 缺点：合成图像的能力比较弱。简单说，就是去掉影子后，填补的区域可能和周围衔接不自然，会留下明显的“边界痕迹”，甚至还有没去干净的“残留影子”。

  2. 基于扩散模型的方法（比如ShadowDiffusion）

• 优点：合成图像的能力强，填补的区域细节很真实（扩散模型是目前AI画图的主流技术之一，擅长生成自然的图像内容）。

• 缺点：不会利用全局信息。比如处理“墙角的影子”时，它只看影子周围的一小块区域，不知道“墙角的亮度应该和整个墙面一致”，导致去掉影子后，新区域和周围的亮度差很大，显得很假；而且它只能处理小尺寸的图像块（类似“拼图小块”），直接处理整张图会出问题。

  三、Diff-Shadow模型怎么解决这些问题？

  论文提出的“Diff-Shadow”，本质