十年后：利用 Agentic 训练数据将阴影消除带入现实世界

在既定基准上，阴影消除看起来几乎已经解决，但在现实世界中仍然很脆弱。型号已先进；他们所依赖的配对训练数据在近十年来几乎没有变化。原因很简单：获得无阴影目标需要移除遮挡物，同时保持场景、相机和照明不变，这使得难以捕获不同的配对数据。与此同时，大型阴影检测数据集已经包含各种真实世界的图像和掩模，但没有无阴影目标。为了将这些丰富但不完整的数据转化为配对监督，我们提出了一种离线 Agentic 工作流程，结合了物理驱动的生成、故障检测、反馈驱动的重试、候选选择和确定性校正。使用此工作流程，我们构建了 AgenticShadow，这是一个包含 17,138 个图像-掩模-目标三元组的数据集，涵盖一般场景、人脸和遥感。与之前的阴影去除工作相比，我们的构建工作流程将颜色分布差异减少了 50.5%，同时在 AgenticShadow 上训练现有的阴影去除模型将跨域 LAB RMSE 减少了 19.7-37.5%。