摘要
从单张图像中去除阴影通常仍然是一个开放性问题。现有的大多数基于学习的方法使用监督学习，并需要大量配对的图像（有阴影图像及其对应的无阴影图像）进行训练。最近的一种无监督方法，Mask-ShadowGAN~\cite{Hu19}，解决了这一限制。然而，该方法需要一个二值掩模来表示阴影区域，因此无法应用于软阴影。为了解决这个问题，本文提出了一种无监督域分类器引导的阴影去除网络，即DC-ShadowNet。具体而言，我们建议将阴影/无阴影域分类器集成到生成器及其判别器中，使它们能够专注于阴影区域。为了训练我们的网络，我们引入了基于物理模型的无阴影色度损失、鲁棒感知特征损失和边界平滑损失等新的损失函数。此外，我们还展示了我们的无监督网络可以在测试时进行训练，从而进一步提高结果的质量。实验表明，所有这些新颖的组件使我们的方法能够处理软阴影，并且在定量和定性方面都优于现有最先进的阴影去除方法。我们的代码可在以下地址获取：\url{https://github.com/jinyeying/DC-ShadowNet-Hard-and-Soft-Shadow-Removal}。