Learning to Control Camera Exposure via Reinforcement Learning

调整相机曝光是确保计算机视觉应用功能的第一步，而在任意光照条件下进行曝光调整通常需要多个收敛步骤和耗时的过程，因此容易导致性能下降和关键故障。本文提出了一种新的相机曝光控制框架，通过利用深度强化学习实现实时处理，快速控制相机曝光。该框架包括四个贡献：1）简化训练场景以模拟现实世界中多样化和动态的光照变化；2）闪烁和图像属性感知的奖励设计，以及轻量级状态设计以实现实时处理；3）静态到动态光照课程，逐步提高代理的曝光调整能力；4）域随机化技术，缓解训练场景的限制，并在野外实现无缝泛化。结果表明，我们提出的方法通过实时处理在五个步骤内快速达到所需的曝光水平（1毫秒）。此外，获取的图像曝光良好，在特征提取和物体检测等各种计算机视觉任务中表现优异。

本文旨在解决在动态光照条件下，快速调整相机曝光以确保计算机视觉应用程序的功能性和性能优化的问题。

本文提出了一种利用深度强化学习快速控制相机曝光的框架，通过简化训练场地、奖励设计、静态到动态的光照课程和域随机化技术等方式来实现。

该方法能够在1毫秒内通过5步快速达到所需的曝光水平，并在各种计算机视觉任务中表现出优越性能。实验设计合理，使用了多个数据集，但未开源代码。本文提出的框架也可以用于其他领域的问题。

最近的相关研究包括：《基于深度学习的相机曝光控制研究》、《基于强化学习的相机曝光控制方法》等。