DCCF：高解像度画像の調和化のための深層理解可能カラーフィルタ学習フレームワーク

画像の色調統合アルゴリズムは、異なる撮影条件下で取得された前景画像と背景画像の色分布を自動的に一致させることを目的としている。従来の深層学習ベースのモデルは、実用応用において極めて重要な2つの課題、すなわち高解像度（HR）画像の処理とモデルの解釈可能性を無視している。本論文では、高解像度画像に対する色調統合を実現するための新規な「深層解釈可能な色フィルタ（Deep Comprehensible Color Filter: DCCF）」学習フレームワークを提案する。具体的には、DCCFはまず入力画像を低解像度（LR）バージョンにダウンサンプリングし、その後、エンドツーエンドの学習により人間が理解しやすい4つのニューラルフィルタ（色相、彩度、明度、注意メカニズムを用いたレンダリングフィルタ）を学習する。最後に、これらのフィルタを元の入力画像に適用することで、統合された結果を得る。解釈可能なニューラルフィルタの導入により、必要に応じてユーザーが深層モデルと協働して所望の結果を得るためのシンプルかつ効率的な操作手段を提供できる。広範な実験により、DCCF学習フレームワークの有効性が実証され、iHarmony4データセットにおける高解像度画像での評価において、従来の最先端の後処理手法と比較して、MSEで7.63%、PSNRで1.69%の相対的な性能向上を達成した。