学习全局感知核用于图像调和

图像调和旨在通过以背景为参考自适应调整前景像素，解决合成图像中的视觉不一致问题。现有方法采用局部颜色变换或前景与背景间的区域匹配，忽视了强大的邻近先验，并将前景/背景作为整体独立区分以进行调和。因此，它们在 varied 前景物体与场景上仍表现出有限性能。为解决此问题，我们提出一种新颖的全局感知核网络（GKNet），以综合考虑长距离背景参考来调和局部区域。具体而言，GKNet 包含两部分，即调和核预测与调和核调制分支。前者包括长距离参考提取器（LRE）以获取长距离上下文，以及核预测块（KPB）通过将全局信息与原地特征融合来预测多级调和核。为实现此目标，提出一种新颖的选择性相关融合（SCF）模块，以更好地为局部调和选择相关的长距离背景参考。后者利用所预测核以局部与全局感知调和前景区域。大量实验证明了我们的方法在图像调和上相对于最优方法的优越性，例如达到 39.53dB PSNR，比最佳同类方法高出 +0.78dB $\uparrow$；与 SoTA 方法相比 fMSE/MSE 降低 11.5\%$\downarrow$/6.7\%$\downarrow$。代码将发布于 \href{https://github.com/XintianShen/GKNet}{此处}。