AdaInt: تعلم فترات متكيفة للجداول المرجعية ثلاثية الأبعاد في تعزيز الصور في الوقت الحقيقي

الجدول الثلاثي الأبعاد للبحث (3D LUT) هو أداة فعالة للغاية لأعمال تحسين الصور في الوقت الحقيقي، حيث يُمثِّل تحويل لون ثلاثي الأبعاد غير خطي من خلال عيّنته بشكل متباعد في شبكة ثلاثية الأبعاد منفصلة. بذلت الدراسات السابقة جهودًا لتعلم قيم اللون الخرج المتكيفة مع الصورة للجداول الثلاثية الأبعاد (LUTs) لتحقيق تحسين مرناً، ولكنها أغفلت أهمية استراتيجية العيّنة. لقد اعتمدوا على توزيع نقاط عيّنة متجانسة غير مثلى، مما يحد من قدرة الجداول الثلاثية الأبعاد التي تم تعلمها على التعبير، نظرًا لأن التحويل الخطي (أو الثلاثي الخطي) بين نقاط العيّنة المتجانسة في تحويل الجدول الثلاثي الأبعاد قد يفشل في نمذجة اللاخطيات المحلية لتحويل اللون. ركزنا على هذه المشكلة وقدمْنا آداانت (AdaInt) (تعلم الفواصل المتكيفة)، وهو آلية جديدة لتحقيق توزيع أكثر مرونة لنقاط العيّنة عن طريق تعلم فواصل العيّنة غير المتجانسة بشكل متكيف في الفضاء اللوني الثلاثي الأبعاد. بهذه الطريقة، يمكن للجدول الثلاثي الأبعاد زيادة قدرته من خلال إجراء عيّنات كثيفة في نطاقات اللون التي تتطلب تحويلات شديدة اللاخطية وعيّنات نادرة للتحويلات القريبة من الخطية. يمكن تنفيذ الآلية المقترحة آداانت كوحدة صغيرة وكفؤة "plug-and-play" لمETHOD تعتمد على الجدول الثلاثي الأبعاد. لتمكين التعلم من النهاية إلى النهاية لآداانت، صممنا مؤثرًا قابلاً للمفاضلة جديدًا يُسمَى AiLUT-Transform (تحول فواصل الجدول الثلاثي الأبعاد المتكيفة) لإيجاد ألوان الإدخال في الجدول الثلاثي الأبعاد غير المتجانس وتوفير التدرجات لفواصل العينة. أظهرت التجارب أن الأساليب المجهزة بآداانت يمكن أن تحقق أداءً متقدمًا على مستوى الحالة الراهنة على مجموعة بيانات عامة واحدة واثنين مع زيادة ضئيلة جدًا في العبء الإضافي. يمكن الوصول إلى شفرتنا المصدر من https://github.com/ImCharlesY/AdaInt.