用于多尺度图像去阴影的软硬注意力U-Net模型及基准数据集

《IEEE Aerospace and Electronic Systems Magazine》：Soft–Hard Attention U-Net Model and Benchmark Dataset for Multiscale Image Shadow Removal

　　有效的阴影去除在提升计算机视觉和数字摄影等应用中的视觉图像质量方面至关重要。在过去的几十年中，基于物理的和基于机器学习的方法已被提出；然而，大多数方法由于受限的模型假设，在捕捉复杂阴影模式方面能力有限，忽视了阴影通常在不同尺度上出现的事实。现有的阴影去除基准数据集仅包含少量图像，场景简单，只包含单一物体投射的均匀阴影，而其中仅少数数据集同时包含手工阴影标注和配对的无阴影图像。为了解决这些局限性，针对具有复杂阴影的自然和城市场景，本研究做出了两方面的贡献：a) 提出了一种新型深度学习架构，称为软硬注意力U-net（SHAU），专注于多尺度阴影去除；b) 提供了一个新型合成数据集，称为多尺度阴影去除数据集（MSRD），包含多尺度的复杂阴影模式，可作为隐私保护的基准数据集。SHAU结合了软注意力和硬注意力模块，以及多尺度特征提取块，能够有效地去除不同尺度的阴影。实验结果表明，SHAU优于现有方法，在阴影区域的峰值信噪比和均方根误差分别提升了18.7%和55.1%。