RL-AWB: Deep Reinforcement Learning voor automatische witbalanscorrectie in nachtelijke scènes met weinig licht

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

January 8, 2026

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

cs.AI

Samenvatting

Nachtelijke kleurconstantie blijft een uitdagend probleem in de computationele fotografie vanwege ruis bij weinig licht en complexe belichtingsomstandigheden. Wij presenteren RL-AWB, een nieuw raamwerk dat statistische methoden combineert met deep reinforcement learning voor nachtelijke witbalans. Onze methode start met een statistisch algoritme afgestemd op nachtscènes, dat salientie-gebaseerde grijze pixeldetectie integreert met nieuwe belichtingsschatting. Hierop voortbouwend ontwikkelen we de eerste deep reinforcement learning-aanpak voor kleurconstantie die het statistische algoritme als kern gebruikt, waarbij professionele AWB-afsturexperts worden nagebootst door parameters dynamisch per beeld te optimaliseren. Om cross-sensor evaluatie mogelijk te maken, introduceren we de eerste multi-sensor nachtelijke dataset. Experimentele resultaten tonen aan dat onze methode superieure generalisatiecapaciteit bereikt bij zowel beelden met weinig licht als goede belichting. Projectpagina: 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/