通过Meta-Guided贝叶斯优化和虚拟衍射建模,对HDR图像进行色调映射
Deju Huang1,2, Xifeng Zheng1,2,3, Jingxu Li1,2
1Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, Changchun 130033, China.
Sensors (Basel, Switzerland)
|November 13, 2025
概括
这项研究引入了一种新的图像色调映射框架,使用元学习和贝叶斯优化对高动态范围 (HDR) 图像进行优化. 该方法平衡了视觉自然性和感知忠实性,以更快的融合超越现有算法.
科学领域:
- 计算机视觉 计算机视觉
- 图像处理 图像处理
- 人与计算机的交互
背景情况:
- 高动态范围 (HDR) 图像色调映射旨在表示具有极端照明变化的场景.
- 现有的方法往往难以平衡结构忠实与感知自然.
- 人类对亮度的视觉感知是非线性的,需要专门的建模.
研究的目的:
- 开发一种新的音色映射框架,以提高HDR图像的感知忠实性和视觉自然性.
- 通过元学习和贝叶斯优化来提高HDR音色映射的效率和稳定性.
- 为了解决冷启动问题,加快参数调节的趋同.
主要方法:
- 虚拟衍射正式成为HDR图像重建的频域运算符.
- 应用史蒂文斯的功率定律来建模人类非线性发光感知.
- 适应性参数调整的贝叶斯优化,以优化音色映射质量指数 (TMQI).
- 一个以任务分布为导向的元学习框架,用于快速的参数预测和概括.
主要成果:
- 与基准数据集上的最先进的音色映射算法相比,拟的方法实现了更高的性能.
- 观察到视觉自然度的平均改善高达27%.
- 由meta-learning引导的贝叶斯优化证明了融合速度增加了两到五倍.
- 该框架在计算时间与性能方面始终主导着帕雷托边界.
结论:
- 这种新的框架有效地平衡了HDR图像色调映射中的感知忠实性和视觉自然性.
- 超级学习显著提高了稳定性,并减轻了冷启动问题,加速了优化.
- 该方法提供高质量的结果,具有高效的融合和低计算成本.
