基于补偿的实用曝光校正

在计算机视觉中，校正曝光水平是提升光照不当观测图像视觉质量的一项基础任务。然而，现有方法往往不实用，因为它们受限于受限的建模模式而对未知场景缺乏适应性，并因复杂的计算流程而难以达到令人满意的效率。为应对这些挑战，我们建立了一种新的实用曝光校正器（PEC），在质量与效率上均表现优异。具体而言，为克服现有建模模式有限的表达能力，我们构建了一个具有曝光敏感补偿的通用模型，以提供直观的建模视角。我们还设计了一个简单而有效的曝光对抗函数，以催化场景自适应补偿。基于上述关键概念，我们开发了一种稳定且鲁棒的迭代收缩方案，避免了现有研究中遇到的复杂推断。在八个具挑战性数据集上的广泛实验评估展示了所开发模型对未知环境的强适应性。该模型提供令人印象深刻的的处理速度，在配备 GeForce RTX 2080Ti GPU 的设备上处理一张 2K 图像仅需 0.0009 秒。针对不同下游视觉任务的实验分析进一步验证了模型的灵活性。代码见 https://rsliu.tech/PEC。