基于自适应测光与强化学习的个性化曝光控制
计算机视觉与模式识别
2018-08-07 v3
摘要
我们提出一种可个性化的移动相机实时曝光控制的强化学习方法。我们的方法基于马尔可夫决策过程（MDP）。在相机取景器或实时预览模式下，给定当前帧，我们的系统预测曝光的变化，以优化图像质量、快速收敛和最小时间振荡之间的权衡。我们将曝光预测函数建模为一个全卷积神经网络，可通过高斯策略梯度以端到端方式训练。因此，我们的系统可将场景语义与曝光值关联起来；它还可以扩展以为用户和设备个性化曝光调整。我们通过引入一个将语义与曝光联系起来的自适应测光模块来改进学习性能。该自适应测光模块推广了传统的点测光或矩阵测光技术。我们使用 MIT FiveK 以及我们使用 iPhone 7 和 Google Pixel 捕获的自己的数据集来验证我们的系统。实验结果表明，与通过原生相机控制所实现的相比，我们的系统表现出稳定的实时行为，同时提高了视觉质量。
引用
@article{arxiv.1803.02269,
title = {Personalized Exposure Control Using Adaptive Metering and Reinforcement Learning},
author = {Huan Yang and Baoyuan Wang and Noranart Vesdapunt and Minyi Guo and Sing Bing Kang},
journal= {arXiv preprint arXiv:1803.02269},
year = {2018}
}
备注
17 pages, 20 figures