摘要
高分辨率（HR）图像和谐化在图像合成、图像编辑等实际应用中具有重要意义。然而，由于现有密集像素级像素和谐化方法存在较高的内存开销，主要局限于处理低分辨率（LR）图像。部分近期工作尝试结合色彩到色彩的变换，但其应用要么受限于特定分辨率，要么严重依赖人工设计的图像滤波器。本文提出一种基于隐式神经表示（INR）的新方法——基于隐式神经网络的图像和谐化方法（HINet），据我们所知，这是首个无需任何手工设计滤波器即可直接应用于高分辨率图像的密集像素级和谐化方法。受Retinex理论启发，我们将多层感知机（MLP）分解为两部分，分别用于捕捉图像的内容信息与环境光照信息。同时，设计了一种低分辨率图像先验（LRIP）网络，以缓解边界不一致性问题，并对训练与推理过程提出了新的优化设计。大量实验结果表明，所提方法在性能上优于当前最先进的技术。此外，本文还探索了该方法在若干有趣且实用场景中的应用潜力。相关代码已开源，地址为：https://github.com/WindVChen/INR-Harmonization。