Realistic Shadow Generation for Image Composition Using Deep Learning

Abstract

Realistic shadows are key to making virtual objects appear naturally integrated into real-world scenes. However, many deep learning models fall short when handling highresolution images, often producing inconsistent or low-quality results. This thesis proposes RRSGNet(Resolution-Robust Shadow Generation Network), which introduces a resolution-robust solution by using Fast Fourier Convolutions, allowing the model to adapt to different image sizes without sacrificing visual quality. Experiments show that RRSGNet generates consistent and high-quality shadows across a wide range of resolutions, which makes it well suited for applications like augmented reality and visual effects.

Realistische Schatten sind entscheidend, damit virtuelle Objekte glaubwürdig in reale Szenen integriert wirken. Viele Deep-Learning-Modelle stoßen dabei an ihre Grenzen, insbesondere bei hochauflösenden Bildern, und erzeugen häufig uneinheitliche oder qualitativ minderwertige Ergebnisse. RRSGNet bietet eine auflösungs-robuste Lösung durch den Einsatz von Fast Fourier Convolutions, wodurch das Modell flexibel mit unterschiedlich großen Bildern arbeiten kann, ohne an Bildqualität zu verlieren. Zusätzlich werden kontextbezogene Informationen wie Hintergrund- und Schattenbereiche automatisch erkannt, was den manuellen Aufwand reduziert und die Benutzerfreundlichkeit erhöht. Experimente zeigen, dass RRSGNet über verschiedene Auflösungen hinweg konsistente und hochwertige Schatten erzeugt und sich somit ideal für Anwendungen wie Augmented Reality und visuelle Effekte eignet.