TreEnhance: Eine Baum-Such-Methode zur Verbesserung von dunklen Bildern

In diesem Paper präsentieren wir TreEnhance, eine automatische Methode zur Verbesserung von Bildern unter schlechten Lichtbedingungen, die in der Lage ist, die Qualität digitaler Bilder signifikant zu steigern. Die Methode kombiniert die Theorie des Baum-Suchens, insbesondere den Monte-Carlo-Baum-Such-Algorithmus (MCTS), mit tiefem Verstärkungslernen. Gegeben ein Bild unter schlechten Lichtverhältnissen, erzeugt TreEnhance als Ausgabe die verbesserte Version des Bildes sowie die Folge von Bildbearbeitungsoperationen, die zur Erreichung dieser Verbesserung verwendet wurden. Während des Trainingszyklus wechselt die Methode wiederholt zwischen zwei zentralen Phasen: einer Generierungsphase, in der eine modifizierte Version von MCTS den Raum möglicher Bildbearbeitungsoperationen durchsucht und die vielversprechendste Operationsfolge auswählt, und einer Optimierungsphase, in der die Parameter eines neuronalen Netzwerks, das die Verbesserungsstrategie implementiert, aktualisiert werden.Zur Verbesserung neuer Bilder werden zwei unterschiedliche Inferenzstrategien vorgeschlagen: Eine basiert auf MCTS und ist genauer, jedoch rechen- und speicherintensiver; die andere wendet direkt die gelernte Strategie an und ist schneller, allerdings geringfügig weniger präzise. Als weiteren Beitrag stellen wir eine geführte Suchstrategie vor, die den Verbesserungsprozess eines Fotobearbeiters „rückgängig“ macht, also die von einem Photo-Editor angewandten Schritte auf einem gegebenen Eingabebild rekonstruiert. Im Gegensatz zu anderen Methoden aus dem Stand der Technik legt TreEnhance keine Einschränkungen bezüglich der Bildauflösung fest und kann in einer Vielzahl von Anwendungsszenarien mit minimaler Anpassung eingesetzt werden. Die Methode wurde an zwei Datensätzen getestet: dem Low-Light-Datensatz und dem Adobe Five-K-Datensatz, wobei sowohl qualitativ als auch quantitativ gute Ergebnisse erzielt wurden.