基于亮度特征的深度混合网络(LDH-Net)在文档图像去阴影中的创新应用

【编辑推荐】本文提出新型双分支去阴影网络LDH-Net，通过亮度图（Y通道）辅助定位阴影区域，创新性融合水平-垂直注意力（HVA）与扩张卷积曼巴（DCM）模块，在RDD等数据集上实现37.76 PSNR/0.981 SSIM的突破性性能，有效解决现有DID方法在全局一致性（OCR任务兼容性）与局部细节保留的平衡难题。

　　

Highlight

我们探索了阴影在不同色彩空间中的分布特性，提出名为LDF-Net的双分支去阴影网络。第一分支通过估计亮度图提取显著阴影特征，第二分支利用这些亮度特征定位阴影区域指导去阴影。

Motivation

设计动机基于两点关键发现：首先，文档图像中的阴影会导致区域遮挡，在阴影区与非阴影区形成明显色差（特别是亮度降低）；其次，复杂光照条件下阴影呈现多样化分布，需要同时建模局部纹理与全局光照依赖。

The Proposed Network

（注：该部分原文为空章节，根据上下文推断应描述网络架构）

Dataset and Implementation Details

在RDD（4916对图像）、Kligler's（272训练/28测试）、Jung's（合成数据）和OSR（户外场景）四个基准数据集上验证。训练采用Adam优化器，初始学习率3×10^-4，批量大小16，500轮次。

Conclusions

LDH-Net通过双分支架构创新性地利用亮度图作为辅助约束，结合HVA模块的像素级长程依赖建模与DCM模块的扩张卷积状态空间模型（SSM），在保持文档内容完整性的同时实现精准阴影去除。

（注：根据要求跳过第二个Conclusion部分）