RL-AWB: 저조도 야간 장면에서 자동 화이트 밸런스 보정을 위한 심층 강화 학습

초록

야간 색 항상성은 저조도 노이즈와 복잡한 조명 조건으로 인해 계산 사진학에서 여전히 해결하기 어려운 과제로 남아 있습니다. 본 논문에서는 야간 화이트 밸런스를 위해 통계적 방법과 심층 강화 학습을 결합한 새로운 프레임워크인 RL-AWB를 제안합니다. 우리의 방법은 야간 장면에 특화된 통계적 알고리즘으로 시작하며, salient 회색 픽셀 검출과 새로운 조명 추정 기법을 통합합니다. 이를 기반으로 통계적 알고리즘을 핵심으로 활용하는 최초의 심층 강화 학습 기반 색 항상성 접근법을 개발하여, 전문 AWB 튜닝 전문가처럼 각 이미지에 대해 매개변수를 동적으로 최적화합니다. 또한 크로스 센서 평가를 위해 최초의 다중 센서 야간 데이터셋을 도입합니다. 실험 결과는 우리 방법이 저조도 및 충분한 조명 이미지 모두에서 우수한 일반화 성능을 달성함을 입증합니다. 프로젝트 페이지: 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/

RL-AWB: 저조도 야간 장면에서 자동 화이트 밸런스 보정을 위한 심층 강화 학습

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

초록

Support