图像色彩增强论文调研

阅读论文

• Deep Symmetric Network for Underexposed Image Enhancement with Recurrent Attentional Learning(ICCV2021)
  使用对称编码器和解码器学习图像从低曝光转化到正常图片的映射方式，通过IFT（Invertible Feature Transformer）网络和提出模块RRAM学习到低曝光转化到正常图片映射关系；

单图-GAN

• DPE-Deep Photo Enhancer Unpaired Learning for Image Enhancement from Photographs with GANs
  本文提出了一种无配对学习方法图像增强。 给他一组照片所提出的方法学习照片的期望特征增强器，它将输入图像转换成具有这些特征的en增强图像。 该方法基于双向生成对手网络(GANs)框架，进行了若干改进。 首先,我们用全局特征增强U-Net，并展示它是更有效的。 全局U-Net在我们的GAN模型中作为生成器。 第二，我们改进了具有自适应加权方案的GAN (WGAN)。 与 该方案训练收敛速度快，收敛效果好，且训练量少 比WGAN-GP对参数敏感。 最后，我们支持提出在双向GANs中为generer ators使用单独的批处理规范化层。 它帮助生成器更好地适应 它们自己的输入分布。 把它们放在一起，意义重大 为我们的应用提高GAN训练的稳定性。 定量和可视化结果都表明了该方法的可行性 该方法是一种有效的图像增强方法。

• MIEGAN Mobile Image Enhancement via A Multi-Module Cascade Neural Network
  移动设备捕获图像的视觉质量 通常不如数码单反相机捕捉的图像。 本文提出了一种基于生成对抗网络的移动图像增强方法，称为MIEGAN。 它由一种新型的多模块级联生成网络和一种新型的自适应多尺度判别网络组成。 该多模块级联类网络建立在双流编码器、特征变换器和译码器的基础上。 在双流编码器中，提出了一种亮度正则化流来帮助网络聚焦在弱光区域。 在特征转换模块中，两个网络可以有效地获取图像的全局和局部信息。 为了进一步帮助生成网络生成高视觉质量的图像，使用多尺度鉴别器代替常规的单一鉴别器，在全局和局部区分图像的真伪。 为了平衡全局和局部鉴别器，提出了一种自适应权值分配方法。 此外，提出了一种对比度损失，并开发了一种新的混合损失函数来提高增强图像的视觉质量。 在流行的DSLR照片增强数据集和MIT-FiveK数据集上的大量实验验证了所提出的MIEGAN算法的有效性。

• Unpaired Image Enhancement with Quality-Attention Generative Adversarial Network
  在这项工作中，我们的目标是学习一个不成对的图像增强模型，可以丰富低质量的图像，具有用户提供的高质量图像tics的特点。 我们建议基于双向生成式对抗网work (GAN)嵌入质量注意模块(QAM)的基于un配对数据训练的注意力生成式对抗网络(QAGAN)。 的所提出的QAGAN的关键创新在于注入的QAM生成器可以直接从这两个域学习与领域相关的质量。 更具体地说，是提议QAM允许生成器有效地选择语义相关的内容空间和适应性结合的特征分别从通道的样式相关属性。 在我们提出的QAGAN中，不仅有鉴别器，而且还有生成器可以直接访问这两个域，这一点非常重要方便生成器学习映射函数。 大量的实验结果表明，与最先进的基于非配对学习的方法，我们提出的方法实现了在客观和主观评价方面都有更好的表现。

成对-paired

• DeepLPF: Deep Local Parametric Filters for Image Enhancement
  数字艺术家通常通过手工修图来提高数码tal照片的美感。 除了全球调整，专业的图像编辑程序提供本地调整工具操作的特定部分的im年龄。 选项包括参数(刻度，径向滤波器) 和无约束的画笔工具。 这些高度表达工具可以实现一系列不同的本地图像增强。
  然而，它们的使用可能很耗时，并且需要艺术能力。 最先进的自动化图像en增强方法通常侧重于学习像素级别或全局增强。 前者可能会很吵缺乏可解释性，而后者可能无法捕获细粒度的粒度调整。 本文介绍了一部小说方法自动增强图像使用学习三种不同类型的空间局部滤波器(椭圆Filter，梯度滤波器，多项式滤波器)。 我们引入一个深度神经网络，被称为深度局部参数滤波器(DeepLPF)，它将这些spa本地化过滤器的参数进行回归，然后自动应用这些过滤器增强图像。 DeepLPF提供了一种自然形式的模型正则化，并使可解释，直观能产生赏心悦目的视觉效果的调整。 我们的端口在多个基准和显示，DeepLPF pro在两个变种的最先进的性能mit - adobe5k[3]数据集，通常使用parameters所需的一部分竞争方法。

全局参数估计

• 3D-LUT_Learning Image-adaptive 3D Lookup Tables for High Performance Photo Enhancement in Real-time
  近年来，以学习为基础的增强照片色彩和色调的方法越来越流行。 然而，现有的许多图像增强方法要么效果不理想，要么消耗过多的计算和内存资源，阻碍了它们在实际应用中对高分辨率图像(通常超过1200万像素)的应用。 在本文中，我们学习图像自适应三维查找表(3D LUTs)来实现快速和鲁棒的照片增强。 3D lut被广泛用于操作照片的颜色和色调，但它们通常是在相机成像管道或照片编辑工具中手动调整和固定的。 据我们所知，我们首次提出使用成对或不成对学习从标注数据中学习3D lut。 更重要的是，我们学习的3D LUT是图像自适应的，用于灵活的照片增强。 我们以端到端方式同时学习多个基础3D LUTs和一个小型卷积神经网络(CNN)。 小CNN对输入图像的下采样版本进行预测，预测与内容相关的权值，将多个基3D lut融合为图像自适应的lut，利用该lut对源图像的颜色和色调进行有效变换。 我们的模型包含不到600K的参数，使用Titan RTX GPU处理4K分辨率的图像只需不到2 ms。 在高效的同时，我们的模型在两个公开的基准数据集上，在PSNR、SSIM和色差度量方面也大大优于最先进的照片增强方法

• StarEnhancer
  图像增强是一个主观过程获取因用户首选项而异。 在本文中，我们提出了一种基于深度学习的图像增强方法，该方法只使用一个名为StarEnhancer的模型来覆盖多种色调风格。 它可以将图像从一种色调风格转换为另一种，即使这种风格是看不见的。 通过简单的一次性设置，用户可以自定义模型，使增强的图像更符合自己的审美。 为了使该方法更实用，我们提出了一个设计良好的增强器，它可以处理超过200 FPS的4k分辨率的图像，但在psnr、SSIM和LPIPS方面超过了同时代的单一风格的图像增强方法。 最后，我们提出的增强方法具有良好的交互性，允许用户使用直观的选项对增强图像进行微调

• CSRNet-Conditional Sequential Modulation for Efficient Global image Retouching
  照片修饰的目的是提高图像的美感和视觉质量，这些图像受到摄影缺陷，如过/过曝光，对比度差，饱和度不协调。 实际上，照片触摸可以通过一系列的图像处理操作来完成。 在本文中，我们研究了一些常用的修饰操作 并且数学上发现这些像素无关的运算可以由多层感知器(MLPs)近似或表示的。 基于基于这一分析，我们提出了一个非常轻量级的框架——Con conditional Sequential Retouching Network (CSRNet)——用于高效的全局图像润色。 CSRNet由一个基本网络和一个条件组成网络。 基础网络就像一个处理每个像素的MLP独立地和条件网络提取的全局特征输入图像生成一个条件向量。 意识到后期操作时，我们使用全局特征调制中间特征利用条件向量对调制(GFM)的参数进行变换。 受益于1 ×1 convolution, CSRNet仅包含小于37k的可训练参数，比现有的基于学习的方法小了magnitude的数量级。 大量的实验表明，我们的方法达到了最先进的性能MIT-Adobe FiveK基准数据集的定量和定性分析