RL-AWB: Aprendizaje por Refuerzo Profundo para la Corrección Automática del Balance de Blancos en Escenas Nocturnas con Baja Iluminación
Imagen generada por Gemini AI
El marco RL-AWB aborda la constancia del color nocturno en la fotografía computacional al combinar métodos estadísticos con el aprendizaje por refuerzo profundo. Utiliza un algoritmo estadístico personalizado para la detección de píxeles grises y la estimación de la iluminación, optimizando dinámicamente los parámetros y emulando la calibración experta. Un nuevo conjunto de datos multi-sensor para la noche respalda la evaluación entre diferentes sensores, mostrando una mejora en el rendimiento bajo diversas condiciones de luz. Puedes encontrar más detalles en la página del proyecto.
Nuevo Marco Utiliza Aprendizaje por Refuerzo Profundo para la Corrección del Balance de Blancos Nocturno
Investigadores han presentado RL-AWB, un marco diseñado para mejorar la constancia del color en fotografía nocturna con poca luz, abordando los desafíos relacionados con el ruido en condiciones de baja luminosidad y la complejidad de la iluminación.
RL-AWB integra métodos estadísticos con aprendizaje por refuerzo profundo (DRL) para mejorar el balance de blancos. Utiliza un algoritmo estadístico para escenas nocturnas, incluyendo la detección de píxeles grises y la estimación de la iluminación, enfrentando los desafíos únicos que presentan los entornos nocturnos.
Notablemente, esta es la primera aplicación del aprendizaje por refuerzo profundo a la constancia del color, optimizando parámetros para imágenes individuales con el fin de mejorar la calidad de reproducción del color en entornos de baja luz.
Evaluación Inter-Sensores e Introducción de Conjuntos de Datos
El equipo de investigación ha presentado el primer conjunto de datos nocturno multi-sensor para una evaluación inter-sensores completa, que sirve como un recurso valioso para futuros estudios en fotografía nocturna.
Los resultados experimentales indican que RL-AWB sobresale en condiciones de baja luminosidad y muestra una superior generalización a través de varios escenarios de iluminación, lo cual es crítico para aplicaciones en el mundo real.
Temas relacionados:
📰 Fuente original: https://arxiv.org/abs/2601.05249v1
Todos los derechos y créditos pertenecen al editor original.