一种感知优化且自校准的色调映射算子

随着高动态范围（HDR）摄影的日益普及和易用，用于动态范围压缩的色调映射算子（TMO）在实际应用中需求迫切。本文提出了一种基于两阶段神经网络的自校准且感知优化的 TMO。在第一阶段，受人类视觉系统早期阶段生理机制的启发，我们首先将 HDR 图像分解为归一化的拉普拉斯金字塔。然后，使用两个轻量级深度神经网络（DNN），以归一化表示作为输入，估计相应 LDR 图像的拉普拉斯金字塔。我们通过最小化归一化拉普拉斯金字塔距离（NLPD）来优化色调映射网络，NLPD 是一种与人类对色调映射图像质量判断相一致的感知度量。在第二阶段，对输入的 HDR 图像进行自校准以计算最终的 LDR 图像。我们将同一 HDR 图像以不同最大亮度重新缩放后，馈入已学习的色调映射网络，生成具有不同细节可见度和色彩饱和度的伪多重曝光图像堆栈。然后，我们训练另一个轻量级 DNN，通过最大化一种用于多重曝光图像融合的结构相似性指数变体（MEF-SSIM），将 LDR 图像堆栈融合为所需的 LDR 图像，该变体已被证明与融合图像质量在感知上相关。所提出的通过 MEF 实现的自校准机制，使我们的 TMO 能够接受未校准的 HDR 图像，同时受生理学驱动。大量实验表明，我们的方法能生成视觉质量持续更优的图像。此外，由于我们的方法基于三个轻量级 DNN，它是最快的局部 TMO 之一。