失真-恢复：基于深度强化学习的色彩增强
计算机视觉与模式识别
2018-04-17 v2
摘要
基于学习的色彩增强方法通常学习从输入图像到修饰后图像的映射。现有大多数方法需要昂贵的输入-修饰图像对，或以不可解释的方式产生结果。本文提出一种基于深度强化学习（DRL）的色彩增强方法，以显式建模人工修饰过程的逐步特性。我们将色彩增强过程建模为马尔可夫决策过程，其中动作定义为全局色彩调整操作。随后训练智能体学习最优的全局增强动作序列。此外，我们提出一种“失真-恢复”训练方案，该方案仅需高质量参考图像进行训练，而无需输入与修饰图像对。给定高质量参考图像，我们扭曲其色彩分布并形成失真-参考图像对用于训练。通过大量实验，我们表明本方法能产生良好的增强结果，且相较于以往的监督方法，我们的 DRL 方法更适用于“失真-恢复”训练方案。补充材料与代码见 https://sites.google.com/view/distort-and-recover/
引用
@article{arxiv.1804.04450,
title = {Distort-and-Recover: Color Enhancement using Deep Reinforcement Learning},
author = {Jongchan Park and Joon-Young Lee and Donggeun Yoo and In So Kweon},
journal= {arXiv preprint arXiv:1804.04450},
year = {2018}
}
备注
Accepted to CVPR 2018