本文观察到，艺术家倾向于从一组相对较小的特定照明方向中进行选择，特别是在漫画和日本动画中。为此，本文在图1中定义了由2×2立方体形成的26个照明方向。本文发现，用户可以直观地从围绕2D对象顺时针的八个照明方向和指定光源的三个深度（前、平面内和后）中的一个方向进行选择。
3.2. Network Architecture
本文的发电机包含以下模块：剩余块[7][8]、薄膜块[22]和挤压和激励（SE）块[10]。本文的生成器的总体架构遵循具有跳过连接的U-net架构[25，13]。本文的鉴别器使用残差块。详细信息如图2所示。
本文还提取了两个监控端输出，s1和s2，以便于反向传播。本文的渲染网络的早期阶段生成连续的、柔和的阴影图像。在最终阶段，网络将这些图像转换为二值阴影。侧边输出s1和s2中的软阴影质量如图2所示。本文再次注意到，本文的输出不需要任何后期处理来生成二值阴影；本文中的图像是将本文的生成器的输出与输入草图合成的直接结果。
本文的鉴别器的基本模块包括降尺度残差块和残差块。由于不同阴影的许多局部特征彼此相似，本文部署了自我注意层，使本文的鉴别器对远处的特征敏感。在图2中，最后一个鉴别器由全局平均池化、0.3概率的退出和256个滤波器的完全连接层组成。因为产生阴影比辨别假阴影和真阴影更困难，所以一个简单的辨别器就是充分和简单的训练。
3.3. Loss Function
4. Experiments and Evaluation
如图3、4、6、5、7所示，本文的工作表现良好。例如，在两个人和多人的线条图（图3第二行）上，本文的工作能够阴影每个字符，但是，DeepNormal和Sketch2Normal将多个人视为一个对象。值得注意的是，本文的工作在生成非常详细的阴影方面非常出色，例如在女孩的头发和裙子上。
就草图的复杂性，尽管本文的训练数据集有中等程度的细节，但是本文的网络在复杂的草图上表现良好，如图3所示。本文也可以在不需要遮罩的情况下，在物体边界之外表现出色。此外，当光源改变深度时，本文的工作会产生更精确的细节。如图4所示，DeepNormal[20]中的阴影几乎覆盖了整个图像，因此看起来好像光线在物体后面。但是，在这些图像中，光源与对象位于同一平面上，从而产生侧照明。
在图6中，本文通过与3D测试模型的比较，解释了当光线位于物体平面时，DeepNormal[20]表现不佳的原因。特别是，使用本文的技术，兔子头上和腿上的阴影更接近地面的真实情况，并显示自我阴影。
如图4所示，由于256×256块的多重平均值，DeepNormal的法线贴图具有低方差（请参阅DeepNormal的第3.4节）。这种低方差导致前照灯看起来像侧照灯，侧照灯看起来像后照灯。Sketch2Normal生成的一些图像有一些伪影，因为预测的法线贴图有一些空白区域。因为它是在简单草图上训练的，草图2通常是在复杂草图上训练的。
最后，本文注意到，本文的方法产生艺术边缘高光从背光。请参阅图3和更多比较图中的普通地图的补充材料。与在本文的数据集上训练的Pix2pix和U-net相比，本文的架构在质量上也表现良好（图7）。一般来说，U-net在精确的软阴影中生成，这与本文的二元阴影目标相去甚远。Pix2pix在对象边界之外生成阴影，并忽略草图中的几何信息。在本文早期的研究中，本文使用了带有跳跃连接的残差块自动编码器，它产生了软阴影。为了达到二值阴影的目的，本文增加了一个鉴别器，并采用了一个更深层次的渲染网络。如果艺术家想要柔和的阴影，可以使用侧面输出s2。