TreEnhance : une méthode de recherche arborescente pour l'amélioration des images en faible éclairage

Dans cet article, nous présentons TreEnhance, une méthode automatique d’amélioration d’images en faible éclairage capable d’augmenter la qualité des images numériques. Cette méthode combine la théorie de recherche arborescente, et plus particulièrement l’algorithme de recherche arborescente de Monte Carlo (MCTS), avec l’apprentissage par renforcement profond. Étant donné une image en faible éclairage en entrée, TreEnhance produit en sortie une version améliorée de cette image ainsi que la séquence d’opérations de retouche d’image utilisée pour l’obtenir. Pendant la phase d’entraînement, la méthode alterne de manière répétée deux phases principales : une phase de génération, durant laquelle une version modifiée de MCTS explore l’espace des opérations de retouche d’image et sélectionne la séquence la plus prometteuse, et une phase d’optimisation, durant laquelle les paramètres d’un réseau de neurones implémentant la politique d’amélioration sont mis à jour.Deux solutions différentes d’inférence sont proposées pour l’amélioration d’images nouvelles : l’une repose sur MCTS et est plus précise, mais plus exigeante en temps de calcul et en mémoire ; l’autre applique directement la politique apprise et est plus rapide, bien qu’un peu moins précise. En complément, nous proposons une stratégie de recherche guidée qui « inverse » le processus d’amélioration appliqué par un éditeur photo à une image d’entrée donnée. Contrairement à d’autres méthodes de l’état de l’art, TreEnhance ne fixe aucune contrainte sur la résolution de l’image et peut être utilisée dans divers scénarios avec un réglage minimal. Nous avons testé la méthode sur deux jeux de données : le dataset Low-Light et le dataset Adobe Five-K, obtenant de bons résultats à la fois sous l’angle qualitatif et quantitatif.