Mask-ShadowGAN: Unpaired Data를 이용한 그림자 제거 학습

본 논문은 짝을 이루지 않은 데이터를 사용하여 그림자 제거를 위한 새로운 방법을 제시합니다. 이 방법은 번거로운 주석 작업을 피하고 더 다양한 훈련 샘플을 얻는 것을 가능하게 합니다. 그러나, 적대적 학습과 순환 일관성 제약 조건을 직접 적용하는 것은 그림자 영역과 그림자 없는 영역 간의 근본적인 관계를 학습하기에 충분하지 않습니다. 이는 그림자 이미지와 그림자 없는 이미지 간의 매핑이 단순히 일대일 대응이 아니기 때문입니다. 이러한 문제를 해결하기 위해, 우리는 Mask-ShadowGAN이라는 새로운 딥러닝 프레임워크를 설계하였습니다. 이 프레임워크는 입력된 그림자 이미지에서 자동으로 그림자 마스크를 생성하고, 재구성된 순환 일관성 제약 조건을 통해 마스크가 그림자 생성을 안내하도록 합니다. 특히, 프레임워크는 그림자 마스크 생성과 그림자 제거를 동시에 학습하여 전체 성능을 최대화합니다. 또한, 우리는 짝을 이루지 않은 데이터셋을 준비하여 다양한 실험에서 Mask-ShadowGAN의 효과성을 입증하였습니다(짝을 이루지 않은 데이터로 훈련되었음).