摘要

数字艺术家通常通过手动修图来提升数字照片的美学质量。除了全局调整之外，专业图像编辑软件还提供了针对图像特定区域的局部调整工具，包括参数化工具（如渐变滤镜、径向滤镜）和无约束画笔工具。这些高度表现力的工具能够实现多样化的局部图像增强效果。然而，其使用过程往往耗时较长，且对用户的艺术素养要求较高。当前最先进的自动化图像增强方法通常聚焦于学习像素级或全局的增强策略：前者容易引入噪声并缺乏可解释性，而后者难以捕捉精细的局部调整细节。本文提出一种新颖的自动化图像增强方法，通过学习三种不同类型的局部空间滤波器（椭圆滤波器、渐变滤波器、多项式滤波器）来实现图像增强。我们设计了一种深度神经网络模型，命名为深度局部参数化滤波器（Deep Local Parametric Filters, DeepLPF），该模型可回归上述空间局部滤波器的参数，并自动将其应用于图像以实现增强。DeepLPF 提供了一种自然的模型正则化机制，支持可解释、直观的调整方式，从而生成视觉上令人愉悦的增强结果。我们在多个基准测试中进行了评估，结果表明，DeepLPF 在 MIT-Adobe-5K 数据集的两个变体上均达到了当前最优性能，且所用参数量仅为现有方法的极小部分。