学习多样化的色调风格用于图像修饰
计算机视觉与模式识别
2022-11-23 v2
摘要
图像修饰旨在重新生成给定图像的视觉愉悦版本，是一项主观任务，不同用户具有不同的审美感受。大多数现有方法采用确定性模型从特定专家处学习修饰风格，难以灵活满足多样的主观偏好。此外，专家因针对不同图像的有针对性处理而产生的内在多样性也未被充分刻画。为规避此类问题，我们提出利用基于归一化流的架构学习多样化的图像修饰。与当前直接生成输出流的基于流的方法不同，我们认为在风格域中学习可以 (i) 将修饰风格与图像内容解耦，(ii) 得到稳定的风格表示形式，以及 (iii) 避免空间不和谐效应。为获得有意义图像色调风格表示，我们精心设计了联合训练流程，其由风格编码器、条件 RetouchNet 与图像色调风格归一化流 (TSFlow) 模块组成。特别地，风格编码器预测输入图像的目标风格表示，其作为 RetouchNet 中用于修饰的条件信息，而 TSFlow 在前向传播中将风格表示向量映射为高斯分布。训练后，TSFlow 可通过从高斯分布中采样生成多样化的图像色调风格向量。在 MIT-Adobe FiveK 与 PPR10K 数据集上的大量实验表明，我们提出的方法优于当前最先进的方法，并能有效生成多样化结果以满足不同人类审美偏好。源代码与预训练模型公开于 https://github.com/SSRHeart/TSFlow。
引用
@article{arxiv.2207.05430,
title = {Learning Diverse Tone Styles for Image Retouching},
author = {Haolin Wang and Jiawei Zhang and Ming Liu and Xiaohe Wu and Wangmeng Zuo},
journal= {arXiv preprint arXiv:2207.05430},
year = {2022}
}