要約
光が物体と相互作用することによって自然に生じる影は、画像の美しさを形成する上で重要な役割を果たしますが、コンテンツの視認性や全体的な視覚的品質も損ないます。
最近の影除去アプローチでは、その有効性から重要な要素として注意のメカニズムが採用されています。
ただし、実際に使用するには、モデル サイズが大きいことと計算の複雑さという 2 つの問題に悩まされることがよくあります。
これらの欠点に対処するために、この研究では軽量でありながら正確な影除去フレームワークを考案しました。
まず、影除去タスクの特性を分析して、影領域を再構成し、そのような情報を効果的に取得するための新しい領域注意メカニズムを設計するために必要な重要な情報を探します。
次に、影のない領域を活用して影の領域の復元を支援する、地域アテンション シャドウ除去モデル (略して RASM) をカスタマイズします。
既存の注意ベースのモデルとは異なり、私たちの地域注意戦略により、各影領域が周囲の非影領域とより合理的に相互作用し、影領域と非影領域の間の地域的な文脈上の相関関係を求めることができます。
広範な実験が行われ、私たちが提案した方法が精度と効率の点で他の最先端のモデルよりも優れたパフォーマンスを提供し、実用的なアプリケーションに魅力的であることが実証されました。
要約(オリジナル)
Shadow, as a natural consequence of light interacting with objects, plays a crucial role in shaping the aesthetics of an image, which however also impairs the content visibility and overall visual quality. Recent shadow removal approaches employ the mechanism of attention, due to its effectiveness, as a key component. However, they often suffer from two issues including large model size and high computational complexity for practical use. To address these shortcomings, this work devises a lightweight yet accurate shadow removal framework. First, we analyze the characteristics of the shadow removal task to seek the key information required for reconstructing shadow regions and designing a novel regional attention mechanism to effectively capture such information. Then, we customize a Regional Attention Shadow Removal Model (RASM, in short), which leverages non-shadow areas to assist in restoring shadow ones. Unlike existing attention-based models, our regional attention strategy allows each shadow region to interact more rationally with its surrounding non-shadow areas, for seeking the regional contextual correlation between shadow and non-shadow areas. Extensive experiments are conducted to demonstrate that our proposed method delivers superior performance over other state-of-the-art models in terms of accuracy and efficiency, making it appealing for practical applications.
arxiv情報
| 著者 | Hengxing Liu,Mingjia Li,Xiaojie Guo |
| 発行日 | 2024-11-21 15:10:44+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google