RL-AWB: Apprendimento per Rinforzo Profondo per la Correzione del Bilanciamento del Bianco Automatico in Scene Notturne a Bassa Luminosità

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

January 8, 2026

Autori: Yuan-Kang Lee, Kuan-Lin Chen, Chia-Che Chang, Yu-Lun Liu

cs.AI

Abstract

La costanza del colore notturna rimane un problema complesso nella fotografia computazionale a causa del rumore in condizioni di scarsa illuminazione e delle complesse condizioni di illuminazione. Presentiamo RL-AWB, un framework innovativo che combina metodi statistici con l'apprendimento per rinforzo profondo per il bilanciamento del bianco notturno. Il nostro metodo inizia con un algoritmo statistico specifico per scene notturne, integrando la rilevazione di pixel grigi salienti con una nuova stima dell'illuminazione. Su questa base, sviluppiamo il primo approccio di apprendimento per rinforzo profondo per la costanza del colore che utilizza l'algoritmo statistico come nucleo, imitando i professionisti della regolazione AWB ottimizzando dinamicamente i parametri per ogni immagine. Per facilitare la valutazione cross-sensore, introduciamo il primo dataset notturno multi-sensore. I risultati sperimentali dimostrano che il nostro metodo raggiunge capacità di generalizzazione superiori sia per immagini in condizioni di scarsa illuminazione che ben illuminate. Pagina del progetto: 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/