基于预测亮度调控可逆半色调化

传统半色调化在用二值点抖动图像时通常会丢弃颜色，导致难以恢复原始颜色信息。我们提出了一种新颖的半色调技术，可将彩色图像转换为二值半色调图像，并能完全恢复至原始版本。我们的新型基础半色调技术由两个卷积神经网络（CNNs）生成可逆半色调图案，以及一个噪声激励块（NIB）来缓解CNN的平坦化退化问题。此外，为解决新型基础方法中蓝噪声质量与恢复精度之间的冲突，我们提出了一种预测器嵌入方法，从网络中卸载可预测信息，在本方法中即为源自半色调图案的亮度信息。该方法使网络获得更大灵活性，以生成具有更好蓝噪声质量的半色调，且不损害恢复质量。我们对多阶段训练方法及损失权重进行了详细研究。我们针对半色调的频谱分析、半色调精度、恢复精度及数据嵌入研究，比较了预测器嵌入方法与新型方法。熵评估证明我们的半色调比新型基础方法包含更少的编码信息。实验表明，预测器嵌入方法获得了更大灵活性以提升半色调的蓝噪声质量，并在对扰动具有更高容忍度的同时保持了可比的恢复质量。