Apprentissage d'un noyau global pour l'harmonisation d'images
L'harmonisation d'images vise à résoudre le problème d'incohérence visuelle dans les images composites en ajustant de manière adaptative les pixels du premier plan en utilisant le fond comme référence. Les méthodes existantes emploient des transformations locales de couleur ou un appariement régional entre le premier et le second plan, ce qui néglige la puissante priorité de proximité et distingue indépendamment le premier et le second plan comme une partie entière pour l'harmonisation. En conséquence, elles montrent encore des performances limitées sur divers objets du premier plan et scènes. Pour remédier à ce problème, nous proposons un nouveau réseau à noyau global (GKNet) pour harmoniser les régions locales en tenant compte de manière exhaustive des références de fond à longue distance.Plus précisément, GKNet comprend deux parties : la prédiction du noyau d'harmonisation et la modulation du noyau d'harmonisation. La première partie inclut un extracteur de référence à longue distance (LRE) pour obtenir le contexte à longue distance et des blocs de prédiction de noyaux (KPB) pour prédire des noyaux d'harmonisation multiréseaux en fusionnant les informations globales avec les caractéristiques locales. Pour atteindre cet objectif, un nouveau module de fusion par corrélation sélective (SCF) est proposé afin de sélectionner de manière optimale les références pertinentes du fond à longue distance pour l'harmonisation locale. La seconde partie utilise les noyaux prédits pour harmoniser les régions du premier plan avec une prise en compte locale et globale.De nombreuses expériences démontrent la supériorité de notre méthode d'harmonisation d'images par rapport aux méthodes les plus avancées actuellement disponibles, par exemple, en atteignant un PSNR de 39,53 dB qui dépasse celui du meilleur concurrent actuel (+0,78 dB $\uparrow$) ; en réduisant fMSE/MSE de 11,5\%$\downarrow$/6,7\%$\downarrow$ par rapport à la méthode SoTA. Le code sera disponible sur \href{https://github.com/XintianShen/GKNet}{ce lien}.