Farbverschiebungsschätzung und -korrektur für die Bildverbesserung

Bilder, die unter suboptimalen Beleuchtungsbedingungen aufgenommen wurden, können sowohl Über- als auch Unterbelichtungen enthalten. Aktuelle Ansätze konzentrieren sich hauptsächlich auf die Anpassung der Bildhelligkeit, was die Farbtonverzerrung in Unterbelichteten Bereichen verschlimmern und es unmöglich machen kann, genaue Farben in Überbelichteten Regionen wiederherzustellen. Wir beobachten, dass Über- und Unterbelichtete Bereiche gegensätzliche Farbtonverteilungsverschiebungen zueinander aufweisen, die in einem gemeinsamen Modell nicht leicht normalisiert werden können, da sie in der Regel keine „normal belichteten“ Bereiche/Pixel als Referenz haben. In dieser Arbeit schlagen wir eine neuartige Methode vor, um Bilder mit sowohl Über- als auch Unterbelichtungen durch das Lernen der Schätzung und Korrektur solcher Farbverschiebungen zu verbessern. Speziell leiten wir zunächst die Farbeigenschaftskarten der hellen und dunklen Versionen des Eingangsbildes über ein UNet-basiertes Netzwerk ab, gefolgt von einem Pseudo-Normal-Eigenschaftsgenerator zur Erstellung von Pseudo-Normal-Farbeigenschaftskarten. Danach schlagen wir ein neuartiges COlor Shift Estimation (COSE)-Modul vor, um die Farbverschiebungen zwischen den abgeleiteten hellen (oder dunklen) Farbeigenschaftskarten und den Pseudo-Normal-Farbeigenschaftskarten zu schätzen. Das COSE-Modul korrigiert die geschätzten Farbverschiebungen der Über- und Unterbelichteten Bereiche getrennt voneinander. Wir schlagen außerdem ein neuartiges COlor MOdulation (COMO)-Modul vor, um die getrennt korrigierten Farben in den Über- und Unterbelichteten Bereichen zu modulieren und so das verbesserte Bild zu erzeugen. Umfassende Experimente zeigen, dass unsere Methode bestehende Ansätze übertrifft. Projektwebseite: https://github.com/yiyulics/CSEC.