AeroDeshadow: 気象・航空画像のための物理に基づくシャドウ合成とペンムブラ対応的去シャドウ化

arXiv:2604.15903v1 Announce Type: new Abstract: 高解像度航空画像（ASI）において影は普遍的に存在します。影は頻繁にスペクトル歪みおよび情報損失を引き起こし、下流の解釈タスクを劣化させます。深度学習手法による自然画像の去シャドウ化が進展したことは確かですが、ASI に直接適用する際に二つの主要な課題が存在します。第一に、厳密にペア付けられたトレーニングデータが極めて不足しており、第二に、均質なシャドウ仮定は、航空シーンの本質的な広範なペンムブラ遷移ゾーンを処理できないという問題があります。これらの問題を解決するため、物理に基づくシャドウ合成とペンムブラ対応の去シャドウ化を統合した統一的二段階枠組み AeroDeshadow を提案します。第一の段階では、物理意識的破損シャドウ合成ネットワーク（PDSS-Net）が光の減衰と空間的減衰を明示的にモデル化し、軟らかい境界遷移を特徴とする大規模なペア付けデータセット AeroDS-Syn を構築します。この物理的記述に制約を課し、ペンムブラ対応の直列去シャドウ化ネットワーク（PCDS-Net）は、入力を変影部と半影部構成要素に分離します。これらの領域を逐次的に修復することで、PCDS-Net は境界のアラートおよび過剰修復を軽減します。AeroDS-Syn 合成データセットのみでトレーニングされたネットワークは、ペア付けされた実写注釈を必要とせずに実世界の ASI に汎用化できます。実験結果は、AeroDeshadow が合成および実世界のデータセットにおいて、最先端の定量的精度および視覚的忠実度を達成していることを示しています。データセットおよびコードは公開されます：https://github.com/AeroVILab-AHU/AeroDeshadow

arXiv:2604.15903v1 Announce Type: new Abstract: Shadows are prevalent in high-resolution aerospace imagery (ASI). They often cause spectral distortion and information loss, which degrade downstream interpretation tasks. While deep learning methods have advanced natural-image shadow removal, their direct application to ASI faces two primary challenges. First, strictly paired training data are severely lacking. Second, homogeneous shadow assumptions fail to handle the broad penumbra transition zones inherent in aerospace scenes. To address these issues, we propose AeroDeshadow, a unified two-stage framework integrating physics-guided shadow synthesis and penumbra-aware restoration. In the first stage, a Physics-aware Degradation Shadow Synthesis Network (PDSS-Net) explicitly models illumination decay and spatial attenuation. This process constructs AeroDS-Syn, a large-scale paired dataset featuring soft boundary transitions. Constrained by this physical formulation, a Penumbra-aware Cascaded DeShadowing Network (PCDS-Net) then decouples the input into umbra and penumbra components. By restoring these regions progressively, PCDS-Net alleviates boundary artifacts and over-correction. Trained solely on the synthetic AeroDS-Syn, the network generalizes to real-world ASI without requiring paired real annotations. Experimental results indicate that AeroDeshadow achieves state-of-the-art quantitative accuracy and visual fidelity across synthetic and real-world datasets. The datasets and code will be made publicly available at: https://github.com/AeroVILab-AHU/AeroDeshadow.