AceTone： bridging words and colors for conditional image grading

颜色影响我们对图像风格和情感的解读。先前的颜色调色方法依赖于基于补丁的重新着色或固定滤波器组，难以在创意意图之间泛化，也难以与人类审美偏好保持一致。本研究提出AceTone，首个支持多模态条件颜色调色的统一框架。AceTone将调色建模为生成式颜色转换任务，模型直接产生3D-LUT（Look-Up Table）条件于文本提示或参考图像。我们开发了一个基于VQ-VAE的tokenizer，将$3\times32^3$ LUT向量压缩为64个离散token，保真度达到$\Delta E<2$。我们进一步构建了一个大型数据集AceTone-800K，并训练一个视觉语言模型来预测LUT token，随后通过强化学习对输出进行感知保真度和审美对齐。实验表明，AceTone在文本引导和参考引导的调色任务上均实现最先进性能，LPIPS提升了最高可达50%。人类评估确认，AceTone的结果在视觉上令人愉悦且风格连贯，展示了一条面向语言驱动、审美对齐颜色调色的新途径。