RL-AWB: Tiefes bestärkendes Lernen zur automatischen Weißabgleichskorrektur in schwach beleuchteten Nachtszenen

RL-AWB: Deep Reinforcement Learning for Auto White Balance Correction in Low-Light Night-time Scenes

January 8, 2026

papers.authors: Yuan-Kang Lee, Kuan-Lin Chen, Chia-Che Chang, Yu-Lun Liu

cs.AI

papers.abstract

Die nächtliche Farbkonstanz bleibt aufgrund von Rauschen bei schwachem Licht und komplexen Beleuchtungsbedingungen eine herausfordernde Aufgabe in der computergestützten Fotografie. Wir stellen RL-AWB vor, einen neuartigen Rahmen, der statistische Methoden mit tiefem bestärkendem Lernen für den nächtlichen Weißabgleich kombiniert. Unser Ansatz beginnt mit einem speziell für Nachtszenen entwickelten statistischen Algorithmus, der die Erkennung salienter Graupixel mit neuartiger Beleuchtungsschätzung integriert. Auf dieser Grundlage aufbauend entwickeln wir den ersten Deep-Reinforcement-Learning-Ansatz für Farbkonstanz, der den statistischen Algorithmus als Kernkomponente nutzt und professionelle AWB-Abgleichsexperten nachahmt, indem Parameter für jedes Bild dynamisch optimiert werden. Um die sensorübergreifende Evaluation zu ermöglichen, führen wir den ersten Multi-Sensor-Nachtdatensatz ein. Experimentelle Ergebnisse belegen, dass unsere Methode eine überlegene Generalisierungsfähigkeit über schwach und gut beleuchtete Bilder hinweg erreicht. Projektseite: https://ntuneillee.github.io/research/rl-awb/

English

Nighttime color constancy remains a challenging problem in computational photography due to low-light noise and complex illumination conditions. We present RL-AWB, a novel framework combining statistical methods with deep reinforcement learning for nighttime white balance. Our method begins with a statistical algorithm tailored for nighttime scenes, integrating salient gray pixel detection with novel illumination estimation. Building on this foundation, we develop the first deep reinforcement learning approach for color constancy that leverages the statistical algorithm as its core, mimicking professional AWB tuning experts by dynamically optimizing parameters for each image. To facilitate cross-sensor evaluation, we introduce the first multi-sensor nighttime dataset. Experiment results demonstrate that our method achieves superior generalization capability across low-light and well-illuminated images. Project page: https://ntuneillee.github.io/research/rl-awb/