基于扩散模型的图像去阴影结题报告.docVIP

基于扩散模型的图像去阴影结题报告

一、研究背景与问题提出

在计算机视觉领域，图像去阴影是一项兼具挑战性与实用性的基础任务。阴影作为现实世界中普遍存在的光学现象，由物体遮挡光源形成，虽能为图像提供深度信息和场景语义，却也会严重干扰后续的图像分析与处理流程。例如在安防监控场景中，阴影可能掩盖关键目标的特征，导致人脸识别、目标检测等算法失效；在卫星遥感图像分析中，云层或地形阴影会影响土地覆盖分类、资源勘探的准确性；而在数字图像修复与增强领域，阴影更是降低视觉体验、影响图像美学价值的常见问题。

传统图像去阴影方法主要分为基于物理模型和基于学习的两类。基于物理模型的方法通过分析光照、物体表面属性与阴影形成的物理关系，建立数学模型进行阴影检测与去除。这类方法虽然物理解释性强，但往往需要精确的光照参数和物体几何信息，对复杂场景的适应性较差，且容易出现过校正或校正不足的问题。基于学习的方法，尤其是深度学习兴起后，卷积神经网络（CNN）被广泛应用于图像去阴影任务。CNN能够通过大量数据学习阴影的特征表示，实现端到端的阴影去除，在一定程度上提升了处理效率和效果。然而，CNN基于局部感受野的特性使其难以捕捉长距离依赖关系，对于复杂的阴影形状和纹理细节处理能力有限，容易产生模糊、伪影等问题。

近年来，扩散模型（DiffusionModel）作为一种新兴的生成式模型，在图像生成、修复、超分辨率等领域展现出