预测图像增强参数的结构化方法

移动设备上的社交网络已成为日常生活中的常见现象。此外，由于移动成像技术的进步，照片拍摄过程变得微不足道。因此，人们每天拍摄大量照片并希望它们具有视觉吸引力。这催生了自动的一键式增强工具。然而，这些工具无法提供个性化和内容自适应的增强，为机器学习方法做同样的事情铺平了道路。现有的典型机器学习方法通过将新图像与一组相似的训练图像相关联，启发式地（例如kNN搜索）预测其增强参数。这些启发式方法需要与训练图像持续交互，这使得参数预测在测试时是次优的且计算成本高，这是不理想的。本文提出了一种新方法，仅使用新图像的特征来预测其增强参数，而不使用任何训练图像。我们提出使用矩阵分解（MF）原理对图像特征及其对应增强参数之间的交互进行建模。我们还提出了一种在MF公式中集成图像特征的方法。我们表明，在合成的以及真实世界的图像增强数据上，我们的方法优于启发式方法以及最近的MF和结构化预测方法。