CuDi：用于高效可控曝光调整的曲线蒸馏
计算机视觉与模式识别
2022-07-29 v1
摘要
我们提出 Curve Distillation（CuDi），用于高效且可控的曝光调整，训练时无需配对或非配对数据。我们的方法继承了有效低光照图像增强方法 Zero-DCE 的零参考学习与基于曲线的框架，并进一步加快了其推理速度、缩减了模型规模，且扩展至可控曝光调整。改进后的推理速度与轻量模型通过新颖的曲线蒸馏实现，该方法利用高阶曲线的切线近似传统基于曲线的框架中耗时的迭代操作。可控曝光调整由一种新的自监督空间曝光控制损失实现，该损失将输出不同空间区域的曝光水平约束为接近作为入条件的曝光图的亮度分布。与大多数只能校正欠曝或过曝照片的现有方法不同，我们的方法使用单一模型即可校正欠曝与过曝照片。值得注意的是，我们的方法还可根据入条件曝光图（可在推理阶段预定义或手动设置）对照片进行全局或局部曝光水平调整。通过大量实验，我们表明该方法以其快速、鲁棒和灵活的性能颇具吸引力，在真实场景中优于当前最优（SOTA）方法。项目主页：https://li-chongyi.github.io/CuDi_files/。
引用
@article{arxiv.2207.14273,
title = {CuDi: Curve Distillation for Efficient and Controllable Exposure Adjustment},
author = {Chongyi Li and Chunle Guo and Ruicheng Feng and Shangchen Zhou and Chen Change Loy},
journal= {arXiv preprint arXiv:2207.14273},
year = {2022}
}
备注
https://li-chongyi.github.io/CuDi_files/