基于扩散模型的图像阴影去除结题报告.docVIP

基于扩散模型的图像阴影去除结题报告

一、研究背景与问题提出

在计算机视觉领域，图像阴影去除是一项兼具挑战性与实用价值的基础任务。阴影作为现实世界中光照与物体交互的自然产物，虽然能为图像提供深度感和场景信息，但在诸多实际应用场景中，阴影的存在会严重干扰图像的后续处理与分析。例如在自动驾驶场景中，道路旁树木、建筑物投下的阴影可能被误判为障碍物，影响车辆的决策系统；在卫星遥感图像分析中，云层、山体的阴影会掩盖地表特征，降低土地利用监测、灾害评估的准确性；而在电商商品摄影、文档扫描等场景中，阴影更是会直接影响视觉效果与信息提取效率。

传统的图像阴影去除方法主要分为基于物理模型和基于数据驱动两大类。基于物理模型的方法通过分析光照、物体表面材质与阴影形成的物理关系，建立数学模型来分离阴影区域与非阴影区域。这类方法虽然具有较强的可解释性，但对场景的假设条件较为严格，当场景复杂、光照多变时，模型的泛化能力会大幅下降。基于数据驱动的方法，尤其是深度学习兴起后，卷积神经网络（CNN）被广泛应用于阴影去除任务。这类方法通过大量标注数据训练模型，学习阴影与非阴影区域的特征差异，在特定数据集上取得了不错的效果。然而，CNN本身存在固有的局限性，其局部感受野难以捕捉长距离的依赖关系，在处理大尺寸、复杂阴影时，容易出现阴影残留或过度去除导致的图像失真问题。

近年来，扩散模型（DiffusionModel）在图