Angesichts der Probleme bestehender Schattenentfernungsverfahren wie unzureichender Modellierung globaler Kontrastbeziehungen, eingeschränkter Fähigkeit zur differenzierten regionalen Verarbeitung sowie der Neigung zu Schattenresten und Kantenartefakten schlagen wir ein Schattenentfernungsnetzwerk basierend auf regionalem Kontrast und Kantenerkennung vor. Zunächst wurde ein Multi-Skalen-Attentionsmechanismus entworfen, der komplementäre räumliche Darstellungen und die Verstärkung wichtiger Regionen nutzt, um die Strukturkonsistenz des Bildes zu verbessern; zweitens wurde ein Schattenwahrnehmungsmodul entwickelt, das eine differenzierte Merkmalbehandlung für Schatten- und Nichtschattenbereiche verwendet, um die Kontinuität von Schattenkanten und Übergangsbereichen zu erhöhen; anschließend wurde ein visuelles Kontrast-Attentionsmechanismus vorgeschlagen, um die Fähigkeit zur Bestimmung von Kontrastbeziehungen über Regionen hinweg auf globaler Ebene zu steigern; schließlich wurde eine kombinierte Verlustfunktion mit einer dynamischen Gewichtungsstrategie entworfen, um das Modell zur gemeinsamen Optimierung von Pixelgenauigkeit, Strukturkonsistenz und Farbtreue zu führen. Experimentelle Ergebnisse zeigen, dass der durchschnittliche PSNR auf dem ISTD-Datensatz im Vergleich zu acht repräsentativen Methoden um 1,57 dB verbessert wurde, und auf dem SRD-Datensatz im Vergleich zu zehn Methoden um 2,03 dB. Gleichzeitig erzielt unsere Methode mit 12,3 Millionen Parametern eine effektive Balance zwischen Rekonstruktionsqualität und Modellkomplexität. Diese Methode reduziert signifikant den Pixelleuchtfehler und unterdrückt effektiv Schattenreste und Kantenartefakte, wodurch ein natürlicheres und zuverlässigeres Schattenentfernungsergebnis erzielt wird.

Schattenentfernung; Multi-Skalen-Attention; Schattenwahrnehmung; visuelle Kontrast-Attention; regionsübergreifender Kontrast