摘要

图像色彩协调算法旨在自动匹配在不同拍摄条件下获取的前景与背景图像之间的色彩分布。以往基于深度学习的模型在实际应用中忽略了两个关键问题：高分辨率（HR）图像处理能力以及模型的可解释性。本文提出了一种新型的深度可解释色彩滤波器（Deep Comprehensible Color Filter, DCCF）学习框架，用于高分辨率图像的色彩协调。具体而言，DCCF首先将原始输入图像下采样至其低分辨率（LR）版本，随后以端到端的方式学习四种人类可理解的神经滤波器——即色调（hue）、饱和度（saturation）、明度（value）以及注意力渲染（attentive rendering）滤波器，最后将这些滤波器应用于原始输入图像，从而获得协调后的结果。得益于可解释的神经滤波器设计，用户可在必要时以极小的代价与深度模型协同操作，快速获得期望的视觉效果。大量实验结果表明，所提出的DCCF学习框架具有显著的有效性，在iHarmony4数据集上，于图像全分辨率条件下，相较于当前最先进的后处理方法，分别在均方误差（MSE）和峰值信噪比（PSNR）指标上实现了7.63%和1.69%的相对提升。