G-SemTMO：基于可训练语义图色调映射
图像与视频处理
2024-11-11 v1
摘要
需要将高动态范围(HDR)图像渲染到动态范围受限的介质上时，需要色调映射算子(TMO)。TMO压缩动态范围以保留场景的视觉感知线索。先前文献已确立了TMO具备语义感知、理解场景内容以更好地保留线索的优势。专业摄影师分析场景的语义与上下文信息，并决定色调变换或局部亮度调整。这一过程可视为色调映射的手动类比。在本工作中，我们从专业摄影师的方法中汲取灵感，提出了一种基于图的语义感知色调映射算子G-SemTMO。我们利用语义信息以及场景的上下文信息，以图的形式捕捉其语义片段的空间排列。使用图卷积网络(GCN)，我们预测称为语义提示的中间参数，并利用这些参数对图像中不同的语义片段进行局部色调调整。此外，我们还引入了LocHDR，这是一个由781张HDR图像组成的数据集，由专业修图师通过局部色调增强手动进行色调映射。我们进行消融研究以表明，我们的方法G-SemTMO\footnote{代码与数据集将随稿件最终版本发布}可以利用语义图从输入的线性与手动修饰图像对中学习全局与局部色调变换，并产生优于经典与基于学习的TMO的结果。我们还进行了消融实验以验证使用GCN的优势。
引用
@article{arxiv.2208.14113,
title = {G-SemTMO: Tone Mapping with a Trainable Semantic Graph},
author = {Abhishek Goswami and Erwan Bernard and Wolf Hauser and Frederic Dufaux and Rafal Mantiuk},
journal= {arXiv preprint arXiv:2208.14113},
year = {2024}
}
备注
13 pages, 16 figures, submitted for review at IEEE TIP