超越校准：面向原始数据到原始数据的物理信息学习
计算机视觉与模式识别
2025-06-12 v2
摘要
在多个相机之间实现一致的色彩再生产对于无缝图像融合和现代设备中的图像处理管道（ISP）兼容性至关重要，但由于传感器和光学系统的差异，这一任务颇具挑战。现有的原始数据到原始数据转换方法面临适应性差、计算成本高或不切实际要求（如同时相机操作和重叠视场）等局限。我们提出了神经物理模型（NPM），一种轻量级、基于物理的信息方法，通过在指定照明条件下模拟原始图像来估计不同设备之间的转换。NPM能够有效适应不同照明条件，可以使用物理测量进行初始化，并且支持有或无配对数据的训练。在NUS和BeyondRGB等公开数据集上的实验表明，NPM超过了最近的领先方法，提供了在不同传感器和光学系统之间的稳健色彩一致性。
关键词
引用
@article{arxiv.2506.08650,
title = {Beyond Calibration: Physically Informed Learning for Raw-to-Raw Mapping},
author = {Peter Grönquist and Stepan Tulyakov and Dengxin Dai},
journal= {arXiv preprint arXiv:2506.08650},
year = {2025}
}