大恭喜 ACVLab 林宇凡、 李家銘 (交大AI學院兼任研究助理/成大數據所碩士班) 在 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2025 的最重要的 Low-Level Vision 國際競賽中，且極具盛名的 NTIRE 競賽，於 Shadow Removal Challenge 中，並從全球共超過三百對參加的隊伍中，獲得世界第三佳績！更重要的是，這是宇凡 (碩一) 第一次主導，而這也代表我們 ACVLab 的一年級，已經能獨當一面的最佳證明。

本次 NTIRE 2025 Shadow Removal Challenge 即聚焦於極具應用價值且充滿挑戰的「陰影移除（Shadow Removal）」任務，旨在從室內自然場景中準確地消除陰影，同時完整地保留物體原始的結構與真實質感，這其實對很多應用都很有幫助；舉凡自駕車、運動視訊辨識分析、甚至於3D建模等，消除陰影的影像，可以協助AI更好的理解這個影像內的世界。

陰影移除任務經常面臨多種挑戰，包括陰影與背景之間邊界模糊、光照條件變化劇烈，以及不同場景間陰影形態的差異。室內場景的陰影特徵尤其複雜，不僅包含由直接光照產生、邊緣較銳利的「硬陰影（Hard Shadow）」，也包含由環境或其他物體反射光線所造成、邊緣較柔和的「軟陰影（Soft Shadow）」。本次競賽進一步提供了高解析度的室內單一影像，無法直接以完整影像作為模型的輸入，因此必須將影像分割為小區塊處理，造成 Transformer 架構原本的全局感受野優勢無法充分發揮，重建難度大幅上升。

為了克服上述挑戰，近期已有一些 paper 觀察到，陰影雖然會影響表面的色彩與亮度分布，但並不會反映在深度資訊（Depth）與物體表面的法向資訊（Surface Normal）之中。因此，將原始 RGB 影像轉換為深度影像與法向影像作為額外的輔助輸入，已經被證明能夠做到較單一模態更好的效果，這也是一種輔助多模態的做法。然而，宇凡觀察到，陰影覆蓋區域通常伴隨紋理細節的損失，導致在進行陰影移除時，容易使得重建結果顯得模糊，而這些資訊在頻域中是以高頻的方式呈現。因此，我們特別引入了頻域增強模組，針對影像的高頻資訊進行強化，以恢復因陰影遮蔽而遺失的紋理細節，並輔以深度圖及法向圖作為額外引導資訊，讓模型更準確地復原被陰影遮蔽的區域，提升整體感知品質與結構一致性，最終成功重建高品質、高解析度且無陰影的結果，除了 Pecepetual Quality 略輸，在客觀品質評估上，都是全球第一，且超越第二名一個顯著GAP，也代表了宇凡在觀察此競賽的能力不凡，再次恭喜宇凡、家銘！

Official Website: https://codalab.lisn.upsaclay.fr/competitions/21319