基于深度强化学习的高效半色调技术
计算机视觉与模式识别
2023-10-16 v2 图形学
摘要
半色调旨在用强度被约束为两个离散级别的像素来再现连续调图像。该技术已部署于每台打印机，其中大多数采用快速方法（例如有序抖动、误差扩散），但无法渲染决定半色调质量的结构细节。相反，其他通过搜索最优半色调解来追求视觉愉悦的已有方法，因其高计算成本而受限。在本文中，我们提出一种通过数据驱动方法的快速且结构感知的半色调方法。具体而言，我们将半色调建模为强化学习问题，其中每个二值像素的值被视为由具有共享全卷积神经网络（CNN）策略的虚拟智能体选择的动作。在离线阶段，利用有效的梯度估计器训练智能体在一步动作内生成高质量半色调。然后，半色调可在线通过一次快速 CNN 推理生成。此外，我们提出了一种新颖的各向异性抑制损失函数，其带来了理想的蓝噪声特性。最后，我们发现优化 SSIM 可能导致平坦区域出现孔洞，这可以通过用连续调图像的对比度图对该度量加权来避免。实验表明，我们的框架能有效训练一个轻量 CNN，比先前结构感知方法快 15 倍，生成具有令人满意视觉质量的蓝噪声半色调。我们还展示了深度多色调的原型以证明我们方法的可扩展性。
引用
@article{arxiv.2304.12152,
title = {Efficient Halftoning via Deep Reinforcement Learning},
author = {Haitian Jiang and Dongliang Xiong and Xiaowen Jiang and Li Ding and Liang Chen and Kai Huang},
journal= {arXiv preprint arXiv:2304.12152},
year = {2023}
}