Quality-guided Skin Tone Enhancement for Portrait Photography

最近几年，基于学习的照片色彩和色调增强方法越来越受欢迎。然而，大多数基于学习的图像增强方法只是基于一个数据集从一个分布学习到另一个分布的映射，缺乏连续和可控的图像调整能力。使基于学习的增强模型能够连续地调整图像非常重要，因为在许多情况下，我们可能想要获得轻微或更强的增强效果，而不是一个固定的调整结果。在本文中，我们提出了一种质量引导的图像增强范例，使图像增强模型能够学习具有不同质量评分的图像分布。通过学习这个分布，图像增强模型可以将图像特征与它们对应的感知质量相关联，这可以用于根据不同的质量评分连续地调整图像。为了验证我们提出的方法的有效性，首先进行了一个主观质量评估实验，重点关注肖像摄影中的肤色调整。在这个实验中，我们的方法可以根据获得的主观质量评分调整肤色以满足不同的质量要求。此外，对10张自然原始图像进行的实验证实了我们的模型在主体和拍摄次数较少的情况下的有效性，并证明了它对自然图像的普适性。我们的项目页面是https://github.com/IntMeGroup/quality-guided-enhancement。

本文旨在提出一种质量引导的图像增强范式，使得图像增强模型能够学习具有不同质量评分的图像分布，从而实现对图像的连续和可控调整。

本文提出了一种基于质量引导的图像增强方法，通过学习不同质量评分的图像分布，将图像特征与其相应的感知质量相关联，从而实现对图像的连续调整。

本文通过主观质量评估实验验证了所提出方法的有效性，并在自然图像上进行了实验，证明了其在不同场景下的适用性。此外，作者还提供了开源代码。

在图像增强领域，目前已有许多基于学习的方法。与本文类似的研究包括：Learning to See in the Dark (CVPR 2018)、Deep Photo Enhancer (SIGGRAPH Asia 2016)等。