学习动态场景中的曝光校正
内容提要
该文综述了利用深度神经网络、感知损失、双重照明估计、多曝光融合及Transformer等方法进行曝光校正的研究，以解决过曝与欠曝问题，提升图像质量及抠图、视频重建等任务表现，部分方法达到最优结果。
延伸解读
曝光校正对下游任务的实际影响
文章指出，曝光过度和曝光不足会严重降低画像抠图的质量，而采用所提出的曝光校正模型后，抠图质量显著提高。这说明曝光校正不仅是视觉美化，更直接影响依赖图像质量的下游任务。对于从事图像编辑、视频处理或计算机视觉应用的读者，在流程中集成曝光校正环节可能带来实际收益。
双重照明估计与多曝光融合的互补思路
文章介绍了一种基于双重照明估计的自动曝光校正方法，将欠曝和过曝校正分别视为输入图像及其反转图像的明显估计，再通过多曝光融合自适应混合中间结果与输入的最佳曝光部分。这种思路不依赖单一模型直接回归，而是分解问题后融合，在多种挑战性图像上优于现有方法和流行工具，为处理复杂光照提供了可借鉴的框架。
视频曝光校正与高动态范围重建的进展
针对未知曝光时间的视频，文章提到使用监督对比学习构建曝光感知表征，并结合U-Net进行运动分析与渐进式曝光自适应卷积，在联合视频x8内插和去模糊任务上性能显著提升，x16内插任务PSNR提高1.5 dB以上。另一项工作利用Transformer和多尺度网络减少局部过曝，通过参考帧选择避免交替曝光，实现因果的高动态范围幻影算法。这些进展表明视频曝光校正正从单帧处理走向时空联合优化。
Q&A
曝光校正主要解决什么问题？
曝光校正主要解决图像中的过曝和欠曝问题，以提升图像质量，并改善抠图、视频重建等任务的表现。
有哪些深度学习方法被用于曝光校正？
包括基于深度神经网络模型、端到端模型结合感知损失和特征匹配损失、双重照明估计、多曝光融合、Transformer、Laplacian Pyramid分解的Fusion-Correction网络等方法。
曝光校正对画像抠图有什么影响？
曝光过度和曝光不足的图像会导致画像抠图质量严重降低，采用曝光校正模型后，画像抠图质量显著提高。
双重照明估计方法是如何进行曝光校正的？
该方法将欠曝光和过曝光校正分别作为输入图像和反转输入图像的明显估计，通过双照明估计获得两个中间曝光校正结果，再采用多重曝光图像融合技术自适应混合两个中间结果和输入图像的视觉最佳暴露部分，形成全局性能好的图像。
基于Transformer的曝光校正方法有什么特点？
该方法使用基于Transformer的深度神经网络减少低动态范围相机处理宽动态范围输入时的局部过曝问题，无需复杂的曝光交替或昂贵处理，通过多尺度网络和参考帧选择实现高动态范围成像。
曝光校正方法在视频任务中有什么应用？
曝光校正可用于视频重建，例如处理未知曝光时间拍摄的视频，通过有监督对比学习构建曝光感知表征，使用U-Net进行运动分析，在联合视频x8内插和去模糊任务上性能显著提升，x16内插任务PSNR提高1.5 dB以上。
