摘要
三维查找表（3D LUT）是一种高效的实时图像增强工具，通过在离散化的三维网格中稀疏采样来建模非线性的三维颜色变换。以往的研究致力于学习适用于特定图像的输出颜色值，以实现灵活的图像增强，但忽视了采样策略的重要性。这些研究采用了次优的均匀采样点分配方法，限制了所学3D LUT的表现力，因为在3D LUT变换中均匀采样点之间的（三）线性插值可能无法准确建模颜色变换的局部非线性特征。针对这一问题，我们提出了一种新的机制——自适应间隔学习（AdaInt），通过自适应地学习三维颜色空间中的非均匀采样间隔来实现更加灵活的采样点分配。这样，3D LUT可以在需要高度非线性变换的颜色范围内进行密集采样，而在接近线性变换的颜色范围内进行稀疏采样，从而提高其能力。所提出的AdaInt可以作为一个紧凑且高效的即插即用模块应用于基于3D LUT的方法中。为了支持AdaInt的端到端学习，我们设计了一种新颖的可微分算子——AiLUT-Transform（自适应间隔LUT变换），用于在非均匀3D LUT中定位输入颜色并为采样间隔提供梯度。实验结果表明，配备AdaInt的方法在两个公开基准数据集上能够取得最先进的性能，并且仅带来微小的计算开销增加。我们的源代码可在https://github.com/ImCharlesY/AdaInt 获取。