基于阴影自适应归一化的非均匀阴影去除方法研究

针对现有阴影去除方法对非均匀光照适应性差的问题，研究人员提出像素级自适应光照模型及阴影自适应归一化(SAN)模块，通过注意力机制实现阴影/非阴影区域特征对齐，结合复杂度优化策略和泊松损失函数，在ISTD+/SRD/ISTD数据集上取得SOTA性能，为复杂场景阴影去除提供新思路。

　　

在计算机视觉领域，图像阴影如同阳光下的"视觉盲区"，不仅遮蔽关键细节，更会严重影响目标检测、人脸识别等下游任务的性能。传统方法依赖全局均匀光照假设或简化乘性光照模型，难以应对现实场景中复杂多变的非均匀阴影模式；而基于CNN或Transformer的方法虽取得进展，却存在计算成本高、物理解释性弱等瓶颈。如何突破这些限制，实现精准高效的阴影去除，成为亟待解决的难题。

合肥工业大学的研究团队在《Digital Signal Processing》发表的研究中，创新性地提出阴影自适应归一化(SAN)框架。该工作首先重构阴影退化模型，引入同时考虑直接光(additive)和环境光衰减(multiplicative)的像素级自适应光照模型；基于此设计SAN模块，通过注意力机制动态校正潜空间特征分布；配合复杂度优化策略和泊松颜色损失，在ISTD+/SRD/ISTD数据集上实现性能突破。

关键技术包括：1) 像素级光照建模：建立包含L_x
^d
(λ)和L_x
^a
(λ)的物理模型；2) SAN模块设计：通过注意力权重实现特征统计量对齐；3) 复杂度优化：降低自注意力计算量；4) 泊松损失函数：约束颜色偏移。实验使用288×288输入，AdamW优化器(初始lr=2e-4)和余弦退火策略训练。

主要研究结果
Revisit the Shadow degradation model
通过重新推导成像方程I_x
^sf
(λ)=L_x
^d
(λ)R_x
(λ)+L_x
^a
(λ)R_x
(λ)，提出阴影区域强度I_x
^s
(λ)=a_x
(λ)L_x
^a
(λ)R_x
(λ)的改进模型，为SAN模块奠定理论基础。

Implementation details
网络采用256×256随机裁剪训练，通过阈值过滤无阴影图像。优化器配置和动态学习率调整策略显著提升训练稳定性，复杂度优化使SAN模块FLOPs降低37%。

Conclusion
该方法首次实现像素级自适应的阴影特征校正，在保持物理解释性的同时，PSNR指标提升2.3dB。消融实验验证复杂度优化策略可加速收敛，泊松损失有效抑制颜色失真。

这项研究的意义在于：1) 提出首个融合物理模型与注意力机制的阴影去除框架；2) SAN模块为特征归一化提供新思路；3) 复杂度优化策略对轻量化设计具有普适价值。未来可探索该范式在低光照增强、反射去除等任务中的迁移应用。