DSRN：一种高效的深度图像重打光网络

在场景图像的后处理中可模拟自定义与自然光照条件。深度学习框架的卓越能力可用于此目的。深度图像重打光通过光照特异性修饰实现自动照片增强。多数现有 SOTA 重打光方法运行耗时且内存低效。本文提出一种高效实时框架——深度堆叠重打光网络（DSRN），通过利用输入图像在不同尺度上的聚合特征进行图像重打光。我们的模型非常轻量，总大小约 42 MB，对分辨率 $1024 \times 1024$ 的图像平均推理时间约 0.0116s，快于其他多尺度模型。我们的方案在将图像色温从输入图像迁移至目标图像方面相当鲁棒，且在针对目标图像的光梯度生成上表现中等。此外，我们表明若以相反方向光照的图像作为输入，定性结果优于使用单张输入图像。