RL-AWB: Deep Reinforcement Learning zur automatischen Weißabgleichkorrektur in schwach beleuchteten Nachtaufnahmen
Von Gemini AI generiertes Bild
Das RL-AWB-Framework behandelt die Farbkonsistenz bei Nacht in der computergestützten Fotografie, indem es statistische Methoden mit Deep Reinforcement Learning kombiniert. Es verwendet einen maßgeschneiderten statistischen Algorithmus zur Erkennung grauer Pixel und zur Schätzung der Beleuchtung und optimiert die Parameter dynamisch, wodurch es das Feintuning von Experten nachahmt. Ein neuer Multisensor-Datensatz für Nachtaufnahmen unterstützt die Evaluierung über verschiedene Sensoren hinweg und zeigt verbesserte Leistungsfähigkeit unter unterschiedlichen Lichtbedingungen. Weitere Details sind auf der Projektseite zu finden.
Neues Framework nutzt Deep Reinforcement Learning zur Korrektur des Weißabgleichs bei Nacht
Forscher haben RL-AWB vorgestellt, ein Framework, das entwickelt wurde, um die Farbkonstanz in der Nachtfotografie bei schwachem Licht zu verbessern und Herausforderungen im Zusammenhang mit niedrigem Lichtrauschen und komplexen Beleuchtungsbedingungen anzugehen.
RL-AWB kombiniert statistische Methoden mit Deep Reinforcement Learning (DRL), um den Weißabgleich zu optimieren. Es verwendet einen statistischen Algorithmus für Nachtszenen, einschließlich der Erkennung grauer Pixel und der Schätzung der Beleuchtung, um die einzigartigen Herausforderungen in nächtlichen Umgebungen zu bewältigen.
Bemerkenswert ist, dass dies die erste Anwendung von Deep Reinforcement Learning zur Farbkonstanz ist, bei der Parameter für einzelne Bilder optimiert werden, um die Farbqualitätswiedergabe in schwach beleuchteten Umgebungen zu verbessern.
Cross-Sensor-Evaluation und Einführung des Datensatzes
Das Forschungsteam hat den ersten Multi-Sensor-Nacht-Datensatz für eine umfassende Cross-Sensor-Evaluation eingeführt, der als wertvolle Ressource für zukünftige Studien in der Nachtfotografie dient.
Experimentelle Ergebnisse zeigen, dass RL-AWB unter Bedingungen mit schwachem Licht hervorragende Leistungen erbringt und eine überlegene Generalisierungsfähigkeit über verschiedene Beleuchtungsszenarien hinweg aufweist, was für Anwendungen in der realen Welt entscheidend ist.
Verwandte Themen:
📰 Originalquelle: https://arxiv.org/abs/2601.05249v1
Alle Rechte und Urheberrechte liegen beim ursprünglichen Herausgeber.