RL-AWB : Apprentissage par renforcement profond pour la correction de la balance des blancs automatique dans les scènes nocturnes à faible luminosité
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
La constance des couleurs en conditions nocturnes reste un problème complexe en photographie computationnelle en raison du bruit en faible luminosité et des conditions d'éclairage complexes. Nous présentons RL-AWB, une nouvelle approche combinant méthodes statistiques et apprentissage par renforcement profond pour la balance des blancs nocturne. Notre méthode débute par un algorithme statistique spécifiquement conçu pour les scènes nocturnes, intégrant une détection de pixels gris saillants avec une nouvelle estimation de l'illumination. Sur cette base, nous développons la première approche d'apprentissage par renforcement profond pour la constance des couleurs qui utilise l'algorithme statistique comme noyau, imitant les experts en réglage AWB professionnels en optimisant dynamiquement les paramètres pour chaque image. Pour faciliter l'évaluation multi-capteurs, nous présentons le premier jeu de données nocturne multi-capteurs. Les résultats expérimentaux démontrent que notre méthode atteint une capacité de généralisation supérieure sur les images en faible luminosité et correctement éclairées. Page du projet : 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/