ShadowHack: Hacking Shadows via Luminance-Color Divide and Conquer

要約

影は、輝度の低下、テクスチャの劣化、色の歪みといった課題を画像にもたらし、全体的な解決を複雑にしています。本研究では、元のタスクを輝度回復と色修復に分解することで、これらの複雑さに取り組む分割統治戦略である୧⃛(๑⃙⃘⁼̴̀꒳⁼̴́๑⃙⃘)୨⃛を提示する。シャドウ領域を明るくし、輝度空間で破損したテクスチャを修復するために、我々は、情報の相互作用を強化し、汚染された注意マップを再調整するために、整流されたアウトリーチ注意モジュールを持つU字型ネットワークであるLRNetをカスタマイズする。輝度を回復したCRNetは、クロスアテンションメカニズムを活用して鮮やかな色を復活させ、視覚的に説得力のある結果を生み出す。複数のデータセットで広範な実験を行い、ShadowHackが既存の最先端ソリューションよりも定量的にも定性的にも優れていることを実証し、我々の設計の有効性を強調する。我々のコードは https://github.com/lime-j/ShadowHack で公開される予定である。

要約(オリジナル)

Shadows introduce challenges such as reduced brightness, texture deterioration, and color distortion in images, complicating a holistic solution. This study presents \textbf{ShadowHack}, a divide-and-conquer strategy that tackles these complexities by decomposing the original task into luminance recovery and color remedy. To brighten shadow regions and repair the corrupted textures in the luminance space, we customize LRNet, a U-shaped network with a rectified outreach attention module, to enhance information interaction and recalibrate contaminated attention maps. With luminance recovered, CRNet then leverages cross-attention mechanisms to revive vibrant colors, producing visually compelling results. Extensive experiments on multiple datasets are conducted to demonstrate the superiority of ShadowHack over existing state-of-the-art solutions both quantitatively and qualitatively, highlighting the effectiveness of our design. Our code will be made publicly available at https://github.com/lime-j/ShadowHack

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL