基于条件生成对抗网络的阴影检测

我们提出scGAN，这是一种针对图像中阴影检测这一挑战性问题的条件生成对抗网络（GAN）新型扩展方法。以往的阴影检测方法主要关注阴影区域的局部外观建模，而在条件随机场（Conditional Random Field）中仅通过成对势函数进行有限的局部上下文推理。相比之下，所提出的对抗式方法能够建模更高层次的语义关系以及全局场景特征。我们训练了一个与条件GAN生成器相对应的阴影检测器，并通过结合典型的GAN损失与数据重建损失项来提升其检测精度。由于阴影标签存在严重的类别不平衡问题，我们采用加权交叉熵损失。在标准GAN架构下，为合理设置交叉熵损失权重，通常需要训练多个GAN模型，这涉及计算成本高昂的网格搜索过程。在scGAN中，我们向生成器引入了一个额外的敏感性参数 $ w $，该方法有效参数化了训练后检测器的损失函数。由此得到的阴影检测器为单一网络结构，能够生成对应不同敏感度水平的阴影图，从而避免了多模型部署和昂贵的训练流程。我们在大规模SBU和UCF阴影数据集上对所提方法进行了评估，结果表明，相较于先前的最先进方法，误差最高可降低17%。