NILUT: 条件神经隐式 3D 查找表用于图像增强
该论文介绍了一种学习图像自适应 3D 查找表以实现快速和强大的照片增强方法,该方法学习多个 3D LUTs 基础,同时使用小型卷积神经网络 (CNN) 以内容相关的方式自适应的融合多个基础 3D LUTs 并处理 4K 的图像仅需不到 2 毫秒。在性能和计算效率方面超越了现有的照片增强方法。
Sep, 2020
本篇论文提出了一种名为 SepLUT 的新算法用于图像增强,在保证模型表现力的同时提高了算法效率。SepLUT 将一种颜色变换分为独立和相关两个子变换,分别作为 1D 和 3D LUT 的实例,两者之间相互促进,各取所长,通过实验表明该算法比当前最先进的算法表现更优,可在 GPUs 和 CPUs 上实现实时处理。
Jul, 2022
本文提出了一种基于可学习的空间感知三维查找表(3D LUTs)的实时图像增强器,它充分考虑了全局情况和局部空间信息,通过在端到端的方式中的权重融合学习 3D LUT 并将其用于以有效的方式将源图像转换为目标色调,该模型在公共数据集上主观上和客观上均优于 SOTA 图像增强方法,并且仅使用一个 NVIDIA V100 GPU 即可在 4ms 内处理 4K 分辨率图像。
Aug, 2021
本文提出了 AdaInt(自适应区间学习)方法,它通过自适应学习非一致采样间隔,使 3D 查找表能够在需要高度非线性转换的颜色范围内进行密集采样,而在近线性转换方面进行稀疏采样。实验结果表明,与传统方法相比,具有 AdaInt 的方法可以在两个公共基准数据集上实现最先进的性能,且需要很小的额外开销。
Apr, 2022
提出 AttentionLut 框架用于实时图像增强,通过利用注意力机制生成自适应查找表,实验证明该方法在定量和定性上比现有方法有更好的增强性能。
Jan, 2024
本文提出了一种基于 3D 查找表(LUT)的白平衡校正模型 WB LUTs,它能在实时环境中生成高分辨率输出,并引入了对比学习框架和新颖的困难样本挖掘策略,提高了基线 3D LUTs 的白平衡校正质量 25.5%。实验结果表明,所提出的 WB LUTs 在两个基准数据集上与最先进的模型竞争力相当,同时运行速度是 300 倍快,占用的内存是 12.7 倍少。
Apr, 2024
本研究介绍了一种叫做 LUT-Q 的训练方法,它可以学习一个字典并将每个权重分配给字典中的一个值,以减少深度神经网络的内存和计算需求。我们的实验结果表明,LUT-Q 比其他同种量化位宽的方法表现更好,并提出了一种无乘法器批归一化的算法。
Nov, 2018
通过将传统的固定 LUT 与人工智能相结合,引入非均匀打包的解决方案来使得 SDR 素材转换为 HDR/WCG,同时根据偏重范围密度的三个小型 LUT 结果,通过贡献度图进行组合,从而实现更高效的适配性和性能平衡。
Sep, 2023
通过整合全局和局部运算符,利用频率信息的特定特征对低频图像进行图像自适应 3D LUT 的调节,同时使用局部 Laplacian 滤波器以自适应方式细化高频分量中的边缘细节,提出一种轻量级网络从注释数据中逐步学习局部 Laplacian 滤波器的参数值映射,从而实现全局色调处理和局部边缘细节保护的综合模型,该方法在两个基准数据集上与最先进的方法相比表现出良好的性能。
Oct, 2023