비제크티브 매핑 네트워크를 통한 그림자 제거

그림자 제거는 그림자 영역 내 배경을 복원하는 것을 목표로 하며, 매우 불안정한 문제 구조(ill-posed nature)로 인해 도전적인 과제이다. 기존의 대부분의 딥러닝 기반 방법들은 짝지어진 이미지의 콘텐츠만을 고려하여 개별적으로 그림자를 제거하나, 그림자 생성 과정이 그림자 제거에 미치는 보조적 지도 정보를 거의 고려하지 않는다. 본 연구에서는 그림자 제거와 생성이 서로 연관되어 있으며, 상호 보완적인 정보를 제공할 수 있음을 주장한다. 구체적으로, 그림자 제거와 생성의 학습 과정을 통합된 파라미터 공유 프레임워크 내에서 결합하는 새로운 이중사상 맵핑 네트워크(Bijective Mapping Network, BMNet)를 제안한다. 이 네트워크는 두 방향의 일관된 제약 조건과 동기화된 최적화를 통해, 전방향의 그림자 제거 과정에서 원래의 배경 콘텐츠를 효과적으로 복원할 수 있다. 또한, 실제 데이터셋에 대한 통계 분석을 통해, 다양한 색채 스펙트럼 하에서 그림자의 외형이 일관되지 않음을 관찰하고 검증하였다. 이를 계기로, 학습된 색상 불변성 정보를 명시적으로 활용하여 네트워크의 색상 복원을 안내하는 그림자 불변 색상 가이던스 모듈(Shadow-Invariant Color Guidance Module, SICGM)을 설계하였다. 이는 색상 편향 효과를 추가로 감소시키는 데 기여한다. 대표적인 ISTD, ISTD+, SRD 벤치마크에서의 실험 결과, 제안한 네트워크는 최신 기술(SOTA) 방법[??]보다 우수한 그림자 제거 성능을 보였으며, 파라미터 수는 해당 방법의 0.25%, 부동소수점 연산 수(FLOPs)는 6.25%에 불과한 매우 효율적인 구조를 갖추고 있음을 확인하였다.