参数化色彩增强的监督与无监督学习
计算机视觉与模式识别
2020-01-17 v1
摘要
我们将色彩增强问题视为图像翻译任务，并采用监督与无监督学习加以解决。与传统图像到图像生成器不同，我们的翻译通过全局参数化色彩变换完成，而非学习直接映射图像信息。在监督情形下，每幅训练图像都与期望目标图像配对，卷积神经网络（CNN）从专家润色图像中学习该变换的参数。在非配对情形下，我们采用双向生成对抗网络（GANs）学习这些参数并施加循环一致性约束。在 MIT-Adobe FiveK 基准上，我们相比监督（配对数据）与无监督（非配对数据）图像增强方法均取得了最先进（state-of-the-art）结果。此外，我们通过将该法应用于 20 世纪初的照片及暗视频帧，展示了方法的泛化能力。
引用
@article{arxiv.2001.05843,
title = {Supervised and Unsupervised Learning of Parameterized Color Enhancement},
author = {Yoav Chai and Raja Giryes and Lior Wolf},
journal= {arXiv preprint arXiv:2001.05843},
year = {2020}
}