第6期 刘万军，等：空洞卷积与注意力融合的对抗式图像阴影去除算法 ·1087· 测试指标对比见表4。 (m)阴影图4(n)文献[14](o)文献211(p)本文算法4 4组 4组 (a)阴影图1 (b)原图1 (c)文献[5](d本文算法1 1组 (q)阴影图5（①文献[14(s)文献[21](）本文算法5 5组 5组 (e)阴影图2 (①原图2(g)文献[5](h)本文算法2 2组 (u阴影图6(w)文献[14](w)文献[21](x)本文算法6 (①阴影图3 G原图3(k文献[)山)本文算法3 6组 6组 3组 图11算法对比视觉效果图2 Fig.11 Algorithm comparison visual effect chart 2 表4算法测量指标对比 Table 4 Comparison of algorithm measurement indexes (m)阴影图4(n)原图4 (o)文献[5](p)本文算法4 4组 实验 SSIM PSNR RMSE Guot51 0.934 23.49 14.31 Huliq 0.961 27.98 8.17 (q)阴影图5①)原图5(S)文献[)（①本文算法5 Wang1 0.949 29.86 7.47 5组 本文算法 0.967 30.12 6.72 4结束语 (四阴影图6(N)原图6(w)文献[)(x本文算法6 本文针对图片阴影去除过程中出现的阴影遗 6组 漏现象及半影部分去除不全面的问题，提出空洞 图10算法对比视觉效果图1 卷积与注意力融合的对抗式图像阴影去除算法。 Fig.10 Algorithm comparison visual effect chart 1 该算法用新型的空洞残差块进行特征提取，加大 感受野的同时减少了计算量，加强了特征感知的 强度。编码阶段，空洞卷积层增加了特征表达的 充分性，具有更为全局的语义信息，减少计算复 (a)阴影图1(b)文献[14](c)文献[21](d本文算法1 杂度。注意力机制的引入加强了网络对全局与部 1组 1组 分的把控。本算法的阴影去除效果，无论从测量 指标还是视觉感受，都达到了比较理想的效果。 该算法也可以迁移到其他同类型的监督学习的应 用中。 (e)阴影图2（日文献[14(g)文献21](h)本文算法2 本文提出的算法也存在一些不足之处，算法 2组 2组 对于小规模数据集的效果不够明显，且生成的图 像与原图可能会存在一些细微误差。 参考文献： (①阴影图3G)文献[14(k)文献[21])本文算法3 3组 3组 [1]HUANG Xiang,HUA Gang,TUMBLIN J,et al.What测试指标对比见表 4。 (a) 阴影图 1 (b) 原图 1 (c) 文献 [5] 1 组 (d) 本文算法 1 (e) 阴影图 2 (f) 原图 2 (g) 文献 [5] 2 组 (h) 本文算法 2 (i) 阴影图 3 (j) 原图 3 (k) 文献 [5] 3 组 (l) 本文算法 3 (m) 阴影图 4 (n) 原图 4 (o) 文献 [5] 4 组 (p) 本文算法 4 (q) 阴影图 5 (r) 原图 5 (s) 文献 [5] 5 组 (t) 本文算法 5 (u) 阴影图 6 (v) 原图 6 (w) 文献 [5] 6 组 (x) 本文算法 6 图 10 算法对比视觉效果图 1 Fig. 10 Algorithm comparison visual effect chart 1 (a) 阴影图 1 (b) 文献 [14] 1 组 (c) 文献 [21] 1 组 (d) 本文算法 1 (e) 阴影图 2 (f) 文献 [14] 2 组 (g) 文献 [21] 2 组 (h) 本文算法 2 (i) 阴影图 3 (j) 文献 [14] 3 组 (k) 文献 [21] 3 组 (l) 本文算法 3 (q) 阴影图 5 (r) 文献 [14] 5 组 (s) 文献 [21] 5 组 (t) 本文算法 5 (u) 阴影图 6 (v) 文献 [14] 6 组 (w) 文献 [21] 6 组 (x) 本文算法 6 (m) 阴影图 4 (n) 文献 [14] 4 组 (o) 文献 [21] 4 组 (p) 本文算法 4 图 11 算法对比视觉效果图 2 Fig. 11 Algorithm comparison visual effect chart 2 表 4 算法测量指标对比 Table 4 Comparison of algorithm measurement indexes 实验 SSIM PSNR RMSE Guo[5] 0.934 23.49 14.31 Hu[14] 0.961 27.98 8.17 Wang[21] 0.949 29.86 7.47 本文算法 0.967 30.12 6.72 4 结束语 本文针对图片阴影去除过程中出现的阴影遗 漏现象及半影部分去除不全面的问题，提出空洞 卷积与注意力融合的对抗式图像阴影去除算法。 该算法用新型的空洞残差块进行特征提取，加大 感受野的同时减少了计算量，加强了特征感知的 强度。编码阶段，空洞卷积层增加了特征表达的 充分性，具有更为全局的语义信息，减少计算复 杂度。注意力机制的引入加强了网络对全局与部 分的把控。本算法的阴影去除效果，无论从测量 指标还是视觉感受，都达到了比较理想的效果。 该算法也可以迁移到其他同类型的监督学习的应 用中。 本文提出的算法也存在一些不足之处，算法 对于小规模数据集的效果不够明显，且生成的图 像与原图可能会存在一些细微误差。 参考文献： [1] HUANG Xiang, HUA Gang, TUMBLIN J, et al. What 第 6 期 刘万军，等：空洞卷积与注意力融合的对抗式图像阴影去除算法 ·1087·