基于人机交互的端到端阴影去除框架：分块处理策略与边缘加权损失优化

针对复杂场景中阴影分布不规则导致的误检漏检问题，北京某高校团队提出融合人机交互(HCI)的端到端阴影去除框架。通过分块处理训练策略将全局任务分解为局部迭代优化，结合Split-Channel(SC)模块和Edge-Weighted(EW)损失函数，在ISTD/SRD数据集上超越现有方法，显著提升真实场景下的阴影修复精度，为下游视觉任务提供可靠预处理方案。

　　

在数字图像处理领域，阴影作为光照被遮挡形成的暗区，不仅降低视觉质量，还会引发物体检测[1]、人脸识别[2]等下游任务的误判。尽管现有阴影去除算法在标准数据集上表现优异，但面对真实场景中随机分布的复杂阴影（如低空航拍图像），全局处理方法易产生颜色失真[3]、边缘伪影[4]和纹理丢失[5]。物理模型依赖先验知识[6-8]，而数据驱动方法受限于训练集与真实场景的域差异[12,13]，北京某高校团队在《Pattern Recognition》发表的这项研究，通过创新性融合人机交互机制与分块处理策略，为这一难题提供了突破性解决方案。

研究采用三项核心技术：1）基于HSI色彩空间的轻量化阴影检测算法，利用色相(Hue)、饱和度(Saturation)、强度(Intensity)通道差异生成掩膜；2）分块处理训练策略，通过阴影分解模块将全局阴影拆分为重叠局部块迭代修复；3）Split-Channel模块分离亮度/色度信息，配合Edge-Weighted损失函数约束边缘过渡。实验采用ISTD（1870组数据）和SRD（3088组数据）基准数据集，以DHAN[14]生成掩膜作为对比。

【Methodology】
通过人机交互框选目标阴影区域，系统将全局任务转化为序列化局部修复。阴影分解模块采用随机矩形对最大连通域进行层次分割，SC模块采用双分支结构分别处理YUV空间的亮度和色度分量，EW损失函数通过Sobel算子强化边缘权重。

【Datasets】
在ISTD测试集上，该方法PSNR达到28.7dB，较物理模型[15]提升4.2dB；SRD数据集上SSIM为0.967，误检率降低37%。真实场景测试显示，对相似颜色的遮挡物误判减少52%。

【Conclusion】
该研究首次实现交互式局部优化的阴影去除范式，分块策略模拟人工标注过程，SC模块和EW损失有效抑制迭代过程中的色彩漂移。HSI检测算法避免复杂网络计算，为无人机巡检、医学影像等需要精确阴影定位的场景提供实用化解决方案。作者团队指出，未来可探索自适应分块尺寸机制以进一步提升效率。