基于深度学习的自适应单光源与多光源估计框架
计算机视觉与模式识别
2019-02-14 v1
摘要
光源估计在数字相机流水线系统中起着关键作用，旨在降低由非白光源影响引起的色偏效应。近期研究利用卷积神经网络（CNN）作为从输入图像到单一光照向量的映射函数来处理该任务。然而，全局映射方法难以应对多光源下的场景。本文提出一种自适应单光源与多光源估计框架，其包含以下创新点：（1）利用编码器-解码器 CNN 结构从整幅图像学习局部自适应核以进行光源估计；（2）为预测提供置信度度量；（3）基于聚类的迭代拟合以计算单光照与多光照向量。所提出的全局到局部聚合能够利用全局信息而非分块训练来区域化预测多光源，并为单光源估计带来显著改进。我们在标准基准上以最高 16% 的相对改进优于当前最优（SOTA）方法。此外，我们收集了一个包含超过 13k 图像的数据集用于光源估计与评估。代码与数据集可在 https://github.com/LiamLYJ/KPF_WB 获取。
引用
@article{arxiv.1902.04705,
title = {Self-adaptive Single and Multi-illuminant Estimation Framework based on Deep Learning},
author = {Yongjie Liu and Sijie Shen},
journal= {arXiv preprint arXiv:1902.04705},
year = {2019}
}