ShadowDiffusion: عندما يلتقي نموذج التدهور السابق بنموذج الانتشار لإزالة الظل

الطرق الحديثة للتعلم العميق حققت نتائج واعدة في إزالة الظل من الصور. ومع ذلك، فإن الصور المستعادة لا تزال تعاني من تشوهات حدود غير مرضية، بسبب نقص دمج النموذج التدهور السابق والقصور في قدرة النمذجة. يعمل بحثنا على معالجة هذه القضايا من خلال اقتراح إطار تفريغي موحد يدمج بين النموذجين البصري والتدهوري لتحقيق إزالة ظل فعالة للغاية. بالتفصيل، نقترح أولاً نموذج تدهور الظل، والذي يلهمنا لبناء نموذج تفريجي جديد، أطلقنا عليه اسم ShadowDiffusion (شادو ديفيوشن). يحسن هذا النموذج بشكل كبير قدرة الإزالة عبر تحسين المخرج المرغوب تدريجيًا باستخدام كل من النموذج التدهوري والنموذج الجينراتيفي التفريجي، مما يمكنه أن يكون أساسًا قويًا جديدًا لاستعادة الصور. علاوة على ذلك، يقوم ShadowDiffusion بتحسين تقدير قناع الظل بشكل تدريجي كمهمة مساعدة للمولد التفريجي، مما يؤدي إلى إنشاء صور خالية من الظل بدقة أكبر وأكثر ثباتًا. أجرينا تجارب واسعة على ثلاثة مجموعات بيانات عامة شائعة، بما في ذلك ISTD (آي أس تي دي)، ISTD+ (آي أس تي دي بلس)، وSRD (إس آر دي) لتأكيد فعالية طرقنا. عند المقارنة بالطرق الأكثر تقدمًا حاليًا، حقق نموذجنا تحسنًا كبيرًا فيما يتعلق بمعيار PSNR (بي أس إن آر)، حيث ارتفع من 31.69 ديسيبل إلى 34.73 ديسيبل على مجموعة بيانات SRD (إس آر دي).