用于色彩风格迁移的神经预设

本文中，我们提出一种神经预设（Neural Preset）技术，以解决现有色彩风格迁移方法的局限，包括视觉伪影、巨大内存需求以及风格切换速度慢。我们的方法基于两个核心设计。首先，我们提出确定性神经色彩映射（DNCM），通过图像自适应色彩映射矩阵对每个像素一致地操作，避免伪影并以小内存占用支持高分辨率输入。其次，我们将任务划分为色彩归一化与风格化，由此开发两阶段流水线，可通过将色彩风格提取为预设并在归一化输入图像上复用，实现高效的风格切换。由于成对数据集的缺失，我们描述了如何通过自监督策略训练神经预设。综合评估展示了神经预设相较现有方法的多种优势。值得注意的是，神经预设能够实现无伪影的实时稳定 4K 色彩风格迁移。此外，我们展示训练后的模型可自然支持多种应用而无需微调，包括低光图像增强、水下图像校正、图像去雾与图像调和。项目页面与演示：https://zhkkke.github.io/NeuralPreset。