Apprentissage de la correction d’exposition photographique multi-échelle

La capture de photographies avec des expositions incorrectes reste une source majeure d'erreurs dans l'imagerie basée sur les caméras. Les problèmes d'exposition sont classés en deux catégories : (i) surexposés, où l'exposition de la caméra était trop longue, entraînant des régions d'image trop claires et lavées, ou (ii) sous-exposés, où l'exposition était trop courte, entraînant des régions sombres. Tant la sous- que la surexposition réduisent considérablement le contraste et l'attrait visuel d'une image. Les travaux antérieurs se concentrent principalement sur les images sous-exposées ou l'amélioration générale des images. En revanche, notre méthode proposée vise à corriger à la fois les erreurs de surexposition et de sous-exposition dans les photographies. Nous formulons le problème de correction d'exposition en deux sous-problèmes principaux : (i) l'amélioration de la couleur et (ii) l'amélioration des détails. À cet effet, nous proposons un modèle de réseau neuronal profond (DNN) allant du grossier au fin, formable de manière end-to-end, qui aborde chaque sous-problème séparément. Un aspect clé de notre solution est un nouveau jeu de données composé de plus de 24 000 images présentant la gamme la plus large d'expositions à ce jour, accompagnées d'une image correctement exposée correspondante. Notre méthode obtient des résultats comparables aux méthodes existantes les plus avancées pour les images sous-exposées et apporte des améliorations significatives pour les images souffrant d'erreurs de surexposition.