学习型感知图像增强
计算机视觉与模式识别
2017-12-11 v1
摘要
典型的图像增强流程学习涉及在增强图像与参考图像之间最小化损失函数。尽管L1和L2损失或许是为此目的使用最广泛的函数，它们未必能产生感知上令人信服的结果。在本文中，我们表明在损失中加入学习型无参考图像质量指标可显著改善增强算子。该指标使用在带有人类评分者审美偏好标签的大规模数据集上训练的CNN（卷积神经网络）实现。该损失使我们可以方便地在学习的框架中执行反向传播，同时优化与给定真值参考的相似度及感知质量。该感知损失仅用于训练图像处理算子的参数，在推理时不引入额外复杂度。我们的实验表明，该损失可有效用于调优局部色调映射和去雾等多种算子。
引用
@article{arxiv.1712.02864,
title = {Learned Perceptual Image Enhancement},
author = {Hossein Talebi and Peyman Milanfar},
journal= {arXiv preprint arXiv:1712.02864},
year = {2017}
}