在自然图像中,阴影几乎是随处可见的。虽然阴影可以为我们提供物体位置和光照条件等信息,但同时也给许多图像处理任务带来了困难。为了降低阴影对图像处理的影响,使后续任务能够顺利进行,研究一种快速、有效的阴影去除算法就显得尤为重要。早期的阴影去除研究计算过程繁琐复杂且阴影去除效果均不理想。伴随着深度学习突飞猛进的发展,尤其是它在处理图像等海量数据时表现出的高性能和高效率,使得传统的阴影去除算法逐渐被深度学习方法所代替。生成对抗网络(Generative Adversarial Networks,GAN)的问世,更是为计算机视觉等领域注入了新的生命力。尽管如此,现有的阴影去除算法仍然由于阴影边界明显、图像细节恢复较差等问题而使得阴影去除效果得不到较高的提升。除此之外,由于阴影掩模的标注难度较高,目前可用的三元组阴影数据集数量较少,因而无法很好地对深度模型进行训练与评估。针对上述问题,本文主要做出了以下三点贡献。首先,为了更好地训练和评估模型,需要对现有的阴影数据集进行丰富和补充。为此,我们拍摄了一组阴影数据集,并用Photoshop对阴影掩模进行了标注,最后整理出一份新的三元组数据集TIDSR(Image Dataset Triplets for Shadow Removal)。其次,为了使图像处理更加精细化,进一步提升阴影去除效果,本文提出了融合多尺度与谱归一化判别的生成对抗式阴影去除模型SRNet(Shadow Removal Network)。多尺度判别模块在不同分辨率的图像上进行训练,对不同粒度的图像特征进行感知,从而在不同层次的细节上对图像进行恢复。同时,模型中也加入了谱归一化判别模块来对判别器的参数进行限制,以解决GAN训练不稳定的问题。最后,为了解决训练数据不匹配的问题,同时减少先验信息的使用,本文基于CycleGAN进一步构建阴影去除模型。原始的CycleGAN更多关注图像宏观特征,对细粒度的细节处理不到位。通过一系列实验和对比,我们最终提出不需要成对数据的无监督CycNet(Cycle Network for Shadow Removal)模型。CycNet中同样加入多尺度判别模块来对图像不同级别的细节特征进行提取和恢复,提升阴影去除效果。本文将提出的模型与现有的其他阴影去除模型的结果进行了定性比较和量化分析。实验结果显示,SRNet的阴影去除效果得到了进一步的提升,多尺度判别在提升阴影去除效果方面起到了极为重要的作用。CycNet在独立训练中取得了与SRNet接近的结果,在交叉训练中虽然效果略有下降,但是极大地降低了对训练数据的要求,为图像阴影去除研究提供了一个新的思路。