DeepIlluminance：基于深度神经网络的上下文光照估计

计算颜色恒常性指对场景光照的估计，使感知颜色在不同光照下相对稳定。过去几年，深度卷积神经网络（CNNs）在光照估计中取得了优越性能。几种代表性方法通过使用 CNN 学习图像块的局部外观，将其表述为多标签预测问题。然而，这些方法不可避免地会对受邻域上下文影响的模糊块做出错误估计。不准确的局部估计在合并为全局预测时很可能带来性能下降。为解决上述问题，我们提出了一种配备精炼模块的用于基于块光照估计的上下文深度网络。首先，具有中心—环绕架构的上下文网络从图像块中提取局部上下文特征，并生成初始光照估计及相应的颜色校正块。这些块的采样基于如下观察：具有较大颜色差异的像素能很好地描述光照。随后，精炼网络将输入块与校正块结合中间特征的使用进行整合以提升性能。为训练这种具有众多参数的网络，我们提出了一种分阶段训练策略，其中前一阶段的特征与预测光照被提供给下一学习阶段以恢复更精细的估计。实验表明，我们的方法在两个光照估计基准上获得了具有竞争力的性能。