摘要
本文提出了一种名为TreEnhance的自动低光照图像增强方法，能够有效提升数字图像的质量。该方法将树搜索理论，特别是蒙特卡洛树搜索（Monte Carlo Tree Search, MCTS）算法，与深度强化学习相结合。给定一张低光照输入图像，TreEnhance可输出其增强后的图像版本，并同时提供生成该结果所采用的一系列图像编辑操作序列。在训练阶段，该方法反复交替执行两个核心阶段：一是生成阶段，其中对MCTS算法进行改进，以探索图像编辑操作的空间并选择最具潜力的操作序列；二是优化阶段，通过更新神经网络的参数来优化实现增强策略的策略函数。针对新图像的增强，本文提出了两种不同的推理方案：一种基于MCTS，精度较高但计算开销较大，耗时且占用较多内存；另一种则直接应用训练所得的增强策略，具有更高的运行效率，但精度略有降低。此外，本文还提出了一种引导式搜索策略，能够“逆向”还原专业图像编辑者对特定输入图像所执行的增强流程。与现有先进方法不同，TreEnhance对图像分辨率无任何限制，适用于多种应用场景，且仅需极少的参数调优即可部署。我们在两个公开数据集——低光照图像数据集（Low-Light dataset）和Adobe Five-K数据集上对所提方法进行了测试，结果在定性和定量两个维度上均表现出色，验证了其有效性与鲁棒性。