Lernen der Mehrskaligen Foto-Expositions-Korrektur

Das Aufnehmen von Fotos mit fehlerhaften Belichtungen bleibt eine wichtige Fehlerquelle in der bildbasierten Kameraaufnahme. Belichtungsprobleme werden in zwei Kategorien unterteilt: (i) Überbelichtung, bei der die Belichtungszeit zu lang war, was zu hellen und überstrahlten Bildbereichen führt, oder (ii) Unterbelichtung, bei der die Belichtungszeit zu kurz war, was zu dunklen Bereichen resultiert. Sowohl Über- als auch Unterbelichtung verringern den Kontrast und das visuelle Erscheinungsbild eines Bildes erheblich. Vorherige Arbeiten konzentrieren sich hauptsächlich auf Unterbelichtung oder allgemeine Bildverbesserung. Im Gegensatz dazu richtet sich unser vorgeschlagener Ansatz sowohl auf Über- als auch Unterbelichtungsfehler in Fotos. Wir formulieren das Problem der Belichtungskorrektur als zwei Hauptunterprobleme: (i) Farbverbesserung und (ii) Detailverbesserung. Dementsprechend schlagen wir ein von grob zu fein strukturiertes tiefes neuronales Netzwerk (DNN)-Modell vor, das end-to-end trainierbar ist und jedes Unterproblem separat behandelt. Ein wesentlicher Aspekt unserer Lösung ist ein neuer Datensatz mit über 24.000 Bildern, die den bisher breitesten Bereich an Belichtungswerten aufweisen, jeweils mit einem entsprechenden korrekt belichteten Bild. Unsere Methode erzielt Ergebnisse, die mit den existierenden Stand-of-the-Art-Methoden bei Unterbelichtungen vergleichbar sind, und bringt für Bilder mit Überbelichtungsfehlern erhebliche Verbesserungen.