AttentionLut：基于注意力融合的实时图像增强的规范多重路由表
内容提要
该文综述基于3D查找表（LUT）的实时图像增强研究进展，涵盖可学习空间感知3D LUT融合全局与局部信息（4ms处理4K图像）、多基础3D LUT自适应融合（2ms内处理4K）、SepLUT将颜色变换分解为1D与3D LUT、AdaInt自适应学习非均匀采样间隔、NILUT实现连续风格转换且更省内存，以及FastLLVE低光视频增强、全局与局部算子结合保护边缘细节、MSATr无监督改善低光图像、ALANET生成高帧率锐利视频等方法。
延伸解读
3D LUT 实时增强的两条技术路线
文章呈现了基于 3D LUT 的图像增强在效率上的两种思路：一是可学习空间感知 3D LUT，融合全局与局部信息，4ms 处理 4K 图像；二是学习多个基础 3D LUT 并由小型 CNN 内容自适应融合，4K 处理不到 2ms。后者速度更快，前者强调空间感知，读者可据此理解不同方法在速度与信息利用上的取舍。
从固定采样到自适应与连续表示
传统 3D LUT 依赖固定采样间隔，AdaInt 通过自适应学习非一致采样间隔，在高度非线性颜色范围密集采样、近线性范围稀疏采样，以较小额外开销提升效果。NILUT 则用神经隐式 LUT 实现连续 3D 颜色转换，并比传统 3D LUT 更省内存。这两项工作分别从采样方式和存储表示上改进了 LUT 的灵活性。
低光视频与边缘细节的专门处理
文章还列出面向视频和细节保护的方法：FastLLVE 利用 LUT 保持帧间亮度一致性，实现低延迟低复杂度的低光视频增强；另一方法整合全局与局部算子，用图像自适应 3D LUT 调节低频图像，并用局部 Laplacian 滤波器细化高频边缘细节。MSATr 则以无监督多尺度注意力变换器改善低光图像亮度不一致问题。
Q&A
基于3D LUT的实时图像增强方法处理4K图像的速度有多快？
可学习的空间感知3D LUT方法仅使用一个NVIDIA V100 GPU即可在4ms内处理4K分辨率图像；而学习多个3D LUT基础并自适应融合的方法处理4K图像仅需不到2毫秒。
SepLUT算法是如何提高图像增强效率的？
SepLUT将一种颜色变换分解为独立和相关两个子变换，分别作为1D和3D LUT的实例，两者相互促进，在保证模型表现力的同时提高了算法效率，可在GPUs和CPUs上实现实时处理。
AdaInt方法如何改进3D查找表的采样？
AdaInt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，从而以很小的额外开销实现最先进的性能。
NILUT相比传统3D LUT有什么优势？
NILUT是一种神经隐式LUT，作为相机渲染管道的一部分，用于快速而低成本地进行多种图片风格的连续3D颜色转换，较传统的3D LUT方法更具有内存效率。
FastLLVE如何实现低光视频增强？
FastLLVE是一种高效管道，利用查找表（LUT）技术有效地保持帧间亮度一致性，从而实现低延迟和低复杂度的低光场景视频增强操作。
如何结合全局和局部算子来保护图像边缘细节？
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，并利用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。
