使用深度神经网络对相机中场景相关的成像过程进行建模
计算机视觉与模式识别
2017-07-27 v1
摘要
我们提出了一种新颖的深度学习框架，用于对相机内部的场景相关图像处理过程进行建模。这一过程通常被称为辐射度校准，即从处理后的图像（sRGB 颜色空间的 JPEG 格式）恢复 RAW 图像，这对于许多依赖物理准确辐射度值的计算机视觉任务至关重要。所有先前的工作都依赖于确定性成像模型，其中颜色变换无论场景如何都保持不变，因此它们只能应用于手动模式下拍摄的图像。在本文中，我们提出了一种数据驱动的方法，以学习自动模式下相机内部场景相关且局部变化的图像处理过程。我们的方法通过可学习直方图层的多尺度金字塔，将全局和局部场景上下文结合到逐像素特征中。结果表明，我们能够准确地双向（从 RAW 到 sRGB，从 sRGB 到 RAW）对在自动模式下运行的不同相机的成像流水线进行建模，并且我们展示了如何应用我们的方法来提高图像去模糊的性能。
引用
@article{arxiv.1707.08350,
title = {Modelling the Scene Dependent Imaging in Cameras with a Deep Neural Network},
author = {Seonghyeon Nam and Seon Joo Kim},
journal= {arXiv preprint arXiv:1707.08350},
year = {2017}
}
备注
To appear in ICCV 2017