本文提出了一个实时系统，将多个视频序列拼接成全景视频，该系统基于 GPU 加速的颜色校正和帧变换，无需准确的相机参数。我们扩展了传统的 2D-Matrix (2D-M) 颜色校正方法和一种基于时空 3D-Matrix (3D-M) 的颜色校正方法进行局部区域的重叠处颜色平衡，并使用粗糙相机标定给出的成对单应矩阵进行全局变形，然后根据光流进行准确的局部变形。实验结果表明，我们的系统能够实时生成高质量的全景视频。

Aug, 2023

本论文提出了一种新颖且高效的自动白平衡（AWB）校正方法，其在当前最先进的方法中实现了至少 35 倍更快的处理速度，并具有相等或更好的性能。该方法通过确定性颜色风格转换的启发，引入了确定性光照颜色映射，并利用可学习的投影矩阵来进行标准光照形式和校正输出。实验证实了该方法的有效性，显示出与现有方法相比的显著性能改进和时间复杂性降低。该方法提供了一种高效的基于深度学习的 AWB 校正解决方案，可用于实时、高品质的数字成像应用。

Aug, 2023

本文介绍了如何构建一个关于视频调和的新公共数据集 HYouTube，以进行关于时域一致性、颜色映射等方面的实验。并提出了一种基于颜色映射一致性的框架来进行相关研究。

May, 2022

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

本文研究了基于双色彩空间的图像协调方法，将混合的 RGB 特征与解开的 Lab 特征相结合，减轻协调过程中的负担。网络包括一个 RGB 协调主干，一个 Lab 编码模块和一个 Lab 控制模块。

Aug, 2023

将图像合成执行为图像级回归问题，使用神经网络预测滤镜参数，结合高效的白盒滤镜逼真地生成合成图像，实现了高分辨率图像的快速处理，稳定且优于现有方法的多个实验效果，并在视频合成中成功应用。

Jul, 2022

本文介绍一种利用大量照片集合无监督学习给定输入的风格排名并选择一种多样性匹配的样式进行风格迁移，并提出一种新技术将选择的示例的全局色彩和色调转移到输入照片而避免产生常见的视觉伪影的技术。我们的风格选择和转移技术在广泛的输入摄影中产生引人入胜，无超出显示器的结果，并且用户研究表明我们的结果优于其他技术。

Nov, 2015

本研究论文介绍了一种基于小型机器学习的全局色调映射方法（TGTM），该方法在任意分辨率下的每个 RGB 图像上以 9,000 FLOPS 的计算速度操作，通过应用于图像直方图数据，实现了 HDR 图像的色调映射，结果表明 TGTM 在实际 HDR 相机图像上相对于现有方法具有更高的峰值信噪比（PSNR），而计算量则较低。

May, 2024

提出了一种基于深度学习的缝合模型，采用弱监督学习机制训练，实现对多个鱼眼图像的 360 度输出，通过色彩一致性校正、畸变校正和图像融合实现，其训练采用感知损失和 SSIM 损失函数，在两个真实的缝合数据集上进行了有效性验证。

Sep, 2022

本研究提出了一种高分辨率图像融合网络，其中结合了像素到像素变换和 RGB 到 RGB 变换，通过低分辨率像素生成器、颜色映射模块和细化模块进行协同工作，旨在解决高分辨率图像合成中的多个问题，且效果明显。

Sep, 2021