扭曲与恢复：使用深度强化学习进行色彩增强

CVPRApr, 2018

扭曲与恢复：使用深度强化学习进行色彩增强

Distort-and-Recover: Color Enhancement using Deep Reinforcement Learning

Jongchan Park, Joon-Young Lee, Donggeun Yoo, In So Kweon

TL;DR本文提出了一种基于深度强化学习 (DRL) 的彩色增强方法来明确地建模人类修饰过程的阶段性特征，其中颜色增强过程被视为一个马尔科夫决策过程，通过全局颜色调整操作定义其中的具体行为。我们通过 “扭曲和恢复” 训练方案，以高质量的参考图像作为训练数据，证明了我们的方法产生了不错的增强结果，并且我们的 DRL 方法比以前的监督方法更适合于该训练方案。

Abstract

Learning-based color enhancement approaches typically learn to map from input images to retouched images. Most of existing methods require expensive pairs of input-retouched images or produce results in a non-interpretable way. In this paper, we present a →

color enhancement deep reinforcement learning distort-and-recover markov decision process global color adjustment

发现论文，激发创造

通过深度强化学习打造图像恢复工具链

RL-Restore 通过训练多个小型卷积神经网络，学习如何根据图像状况逐步选择适当的恢复工具，以更加高效地处理复杂的图像失真。

Apr, 2018

基于模型的深度强化学习绘画

通过在基于模型的深度强化学习中应用神经渲染器，我们展示了如何教授机器像人类画家一样用少量笔画来创作精美的油画。实验表明，不需要画家的经验或笔画跟踪数据，可以使用数百个笔画取得出色的视觉效果。

Mar, 2019

曝光：白盒照片后处理框架

本研究提出了一种基于深度学习的自动修饰系统，该系统使用强化学习方法学习如何根据用户喜好风格对输入图片进行不同的修饰操作，从而避免了获取成对的训练数据。与其他深度学习系统不同的是，该系统提供了可理解的修饰结果，而不仅仅是黑盒子结果，定量比较和用户研究证明该技术的修饰结果与提供的照片集相一致。

Sep, 2017

使用多步强化学习的全卷积网络进行图像处理

本文介绍了一种新的强化学习方法 —— 像素级奖励 (pixelRL)，加入代理来像素改变像素值，提出了有效地学习方法，可用于各种像素级处理任务中，应用于三个图像处理任务：图像降噪、图像修复和局部调色等，与采用监督学习的现有方法相比，实验结果表明本文提出的方法可以获得相当好的表现。

Nov, 2018

InstructRL4Pix：通过强化学习训练图像编辑的扩散

通过使用增强学习引导图像编辑方法（InstructRL4Pix）来生成由目标对象的注意力地图引导的图像扩散模型，该方法通过计算注意力地图之间的距离作为奖励函数来最大化奖励模型的输出，并使用邻近策略优化（PPO）对扩散模型进行微调，以实现基于自然人命令的准确图像编辑。实验证实 InstructRL4Pix 突破了传统数据集的限制，利用无监督学习来优化编辑目标，并实现了精确的图像编辑。

Jun, 2024

图像增强即所需：从像素中对深度强化学习进行正则化

该研究提出了一项简单的数据增强技术，可以应用于标准的无模型强化学习算法，从像素直接学习，无需辅助损失或预训练，并使用图像处理来规范化值函数，实现与 DeepMind 控制套件相关的现有模型的最高表现。

Apr, 2020

面向深度图像恢复的按需学习

本文提出一种基于反馈机制的面向难度级别泛化的深度卷积神经网络图像修复模型自动生成的算法，旨在避免 “固定” 模型对于固定难度级别的训练。实验表明，在四个图像修复任务上，本算法均优于传统训练和课程学习替代方案。

Dec, 2016

PixelRL：使用强化学习的全卷积网络进行图像处理

本文提出了一种新颖的深度强化学习方法，即基于像素奖励的强化学习 (pixelRL)，以解决图像处理中的特定任务，如图像去噪、图像恢复、局部颜色增强和基于显著性的图像编辑。通过使用像素智能体来缩小强化学习的范围，提出了一种有效的学习方法，该学习方法不仅考虑了各个像素的未来状态，还考虑了相邻像素的状态。同时，该方法还提高了深度神经网络模型的可解释性和可理解性。

Dec, 2019

无配对图像增强：以增强学习控制的图像编辑软件为特色

本文提出了一种基于强化学习框架结合图像编辑软件的无配对图像增强方法，能够高效地实现两项任务：照片增强和美颜，得出的实验结果表明该方法相较于其他无配对学习方法具有更好的性能表现。

Dec, 2019

参数化色彩增强的监督学习与无监督学习

该论文提出利用有监督和无监督学习的方式解决图像颜色增强问题，并通过参数化颜色变换技术提高了图像的质量，同时使用对抗生成网络实现了无配对数据的颜色增强。在 MIT-Adobe FiveK 基准测试上，该方法在有配对和无配对图像上都实现了最先进的结果，并通过 20 世纪早期的照片和暗视频帧的应用展示了该方法的泛化能力。

Dec, 2019