Regionale Aufmerksamkeit für Schattenentfernung

Schatten, als natürliche Konsequenz der Wechselwirkung von Licht und Objekten, spielen eine entscheidende Rolle bei der Gestaltung der Ästhetik eines Bildes. Sie beeinträchtigen jedoch auch die Sichtbarkeit des Inhalts und die gesamte visuelle Qualität. Neuere Ansätze zur Schattenentfernung setzen aufgrund ihrer Effektivität den Mechanismus der Aufmerksamkeit als Kernkomponente ein. Diese Ansätze leiden jedoch oft unter zwei Problemen: einerseits sind die Modelle sehr umfangreich und andererseits haben sie eine hohe rechnerische Komplexität, was ihre praktische Anwendung erschwert. Um diese Nachteile zu beheben, entwickelt diese Arbeit ein leichtgewichtiges und dennoch genaues Framework zur Schattenentfernung. Zunächst analysieren wir die Eigenschaften der Schattenentfernungs-Aufgabe, um die für die Rekonstruktion von Schattenbereichen erforderlichen Schlüsselinformationen zu identifizieren und einen neuen regionalen Aufmerksamkeitsmechanismus zu entwerfen, der solche Informationen effektiv erfasst. Anschließend passen wir ein Regionales Aufmerksamkeits-Schattenentfernungsmodell (RASM) an, das nicht-schattierte Bereiche nutzt, um schattierte Bereiche wiederherzustellen. Im Gegensatz zu bestehenden aufmerksamkeitsbasierten Modellen ermöglicht unsere regionale Aufmerksamkeitsstrategie jedem Schattenbereich eine rationalere Interaktion mit seinen umliegenden nicht-schattierten Bereichen, um die regionale kontextuelle Korrelation zwischen schattierte und nicht-schattierte Bereiche zu suchen. Umfassende Experimente zeigen, dass unser vorgeschlagenes Verfahren in Bezug auf Genauigkeit und Effizienz über anderen state-of-the-art-Modellen hinausragt und somit für praktische Anwendungen attraktiv ist.