RL-AWB: Aprendizaje por Refuerzo Profundo para la Corrección del Balance de Blancos Automático en Escenas Nocturnas con Poca Luz
RL-AWB: Deep Reinforcement Learning for Auto White Balance Correction in Low-Light Night-time Scenes
January 8, 2026
Autores: Yuan-Kang Lee, Kuan-Lin Chen, Chia-Che Chang, Yu-Lun Liu
cs.AI
Resumen
La constancia del color en condiciones nocturnas sigue siendo un problema desafiante en la fotografía computacional debido al ruido en condiciones de poca luz y a las complejas condiciones de iluminación. Presentamos RL-AWB, un novedoso marco que combina métodos estadísticos con aprendizaje por refuerzo profundo para el balance de blancos nocturno. Nuestro método comienza con un algoritmo estadístico diseñado para escenas nocturnas, integrando la detección de píxeles grises salientes con una novedosa estimación de iluminación. Sobre esta base, desarrollamos el primer enfoque de aprendizaje por refuerzo profundo para la constancia del color que utiliza el algoritmo estadístico como núcleo, imitando a los expertos profesionales en ajuste de AWB al optimizar dinámicamente los parámetros para cada imagen. Para facilitar la evaluación multisensor, presentamos el primer conjunto de datos nocturnos multisensor. Los resultados experimentales demuestran que nuestro método logra una capacidad de generalización superior tanto en imágenes con poca luz como en aquellas bien iluminadas. Página del proyecto: 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/