RL-AWB: Глубокое обучение с подкреплением для автоматической коррекции баланса белого в условиях слабой освещённости ночных сцен
RL-AWB: Deep Reinforcement Learning for Auto White Balance Correction in Low-Light Night-time Scenes
January 8, 2026
Авторы: Yuan-Kang Lee, Kuan-Lin Chen, Chia-Che Chang, Yu-Lun Liu
cs.AI
Аннотация
Коррекция цветопередачи в ночное время остается сложной задачей в вычислительной фотографии из-за шумов при низкой освещенности и сложных условий освещения. Мы представляем RL-AWB, новую архитектуру, сочетающую статистические методы с глубоким обучением с подкреплением для баланса белого в ночных сценах. Наш метод начинается со статистического алгоритма, адаптированного для ночных сцен, который интегрирует обнаружение значимых серых пикселей с новым подходом к оценке освещения. На этой основе мы разрабатываем первый метод коррекции цветопередачи на основе глубокого обучения с подкреплением, использующий статистический алгоритм в качестве ядра и имитирующий работу экспертов по настройке AWB за счет динамической оптимизации параметров для каждого изображения. Для обеспечения кросс-сенсорной оценки мы представляем первый мультисенсорный набор данных ночных сцен. Результаты экспериментов демонстрируют, что наш метод обеспечивает превосходную способность к обобщению как для слабоосвещенных, так и для хорошо освещенных изображений. Страница проекта: 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/