Distribution locale des couleurs comme prior pour l'amélioration d'images

Les méthodes existantes d'amélioration d'images sont généralement conçues pour traiter soit le problème de surexposition, soit celui de sous-exposition dans l'image d'entrée. Lorsque l'éclairage de l'image d'entrée présente à la fois des zones surexposées et sous-exposées, ces méthodes existantes peuvent ne pas produire de résultats satisfaisants. À partir d'une analyse statistique d'images, nous observons que les distributions locales de couleur (LCD, Local Color Distributions) d'une image souffrant simultanément des deux problèmes présentent une variation significative selon les régions, en fonction des conditions locales d'éclairage. Sur la base de cette observation, nous proposons dans cet article d'utiliser les LCD comme priorité pour localiser et améliorer les deux types de régions (c’est-à-dire les régions surexposées et sous-exposées). Premièrement, nous exploitons les LCD pour représenter ces régions, et proposons un nouveau module intégré de distribution locale de couleur (LCDE, Local Color Distribution Embedded) afin de modéliser les LCD à plusieurs échelles et d’exprimer les corrélations entre différentes régions. Deuxièmement, nous introduisons un mécanisme d’apprentissage à double éclairage pour améliorer efficacement les deux types de régions. Troisièmement, nous construisons un nouveau jeu de données afin de faciliter le processus d’apprentissage, en suivant le pipeline de traitement du signal d'image (ISP) des caméras pour générer des images RGB standard à partir de données brutes, intégrant à la fois des zones sous-exposées et surexposées. Des expériences étendues démontrent que la méthode proposée surpasser les méthodes de pointe existantes, tant sur le plan quantitatif que qualitatif. Les codes sources et le jeu de données sont disponibles à l’adresse suivante : https://hywang99.github.io/lcdpnet/.