DCCF: إطار تعلّم مرشح الألوان العميق القابل للتفسير لإلحاق الصور عالية الدقة

يهدف خوارزمية توحيد ألوان الصور إلى مطابقة توزيع الألوان بين الصور الأمامية والخلفية الملتقطة في ظروف مختلفة بشكل تلقائي. وتجاهلت النماذج القائمة على التعلم العميق السابقة قضيتين بالغتي الأهمية بالنسبة للتطبيقات العملية، وهما معالجة الصور عالية الدقة (HR) وقابلية فهم النموذج. في هذه الورقة، نقترح إطار عمل جديد لتعلم المرشح اللوني العميق القابل للفهم (DCCF) لتوحيد ألوان الصور عالية الدقة. وبشكل محدد، يقوم DCCF أولاً بخفض دقة الصورة الأصلية إلى نسخة منخفضة الدقة (LR)، ثم يتعلم أربع مرشحات عصبية قابلة للفهم البشري (أي مرشحات التدرج اللوني، والتشبع، والقيمة، ومرشح التصوير المُنتبه) بطريقة نهائية-إلى-نهائية، وأخيراً يطبّق هذه المرشحات على الصورة الأصلية للحصول على النتيجة المُوحّدة. وبفضل المرشحات العصبية القابلة للفهم، يمكننا توفير معالج بسيط وفعال يمكّن المستخدمين من التعاون مع النموذج العميق للحصول على النتائج المرغوبة بجهد ضئيل عند الحاجة. وأظهرت التجارب الواسعة فعالية إطار DCCF، حيث تفوق على أفضل طريقة معالجة ما بعد (post-processing) حسب الحالة الحالية على مجموعة بيانات iHarmony4، من حيث دقة الصورة الكاملة، بتحسّن نسبي قدره 7.63% و1.69% في معياري MSE وPSNR على التوالي.