WB LUTs: Contrastive Learning for White Balancing Lookup Tables

自动白平衡（AWB）是综合信号处理（ISP）流程中的第一步之一，旨在校正场景光源引起的色偏。错误的白平衡（WB）设置或AWB失败可能会导致渲染的sRGB图像中出现不良的蓝色或红色色调。为了解决这个问题，最近的方法将后捕捉WB校正问题作为图像到图像转换任务，并训练深度神经网络以在较低分辨率下学习必要的颜色调整。这些低分辨率输出经过后处理以生成高分辨率的WB校正图像，形成了端到端运行时间的瓶颈。本文提出了一种基于3D Lookup Table（LUT）的WB校正模型，称为WB LUTs，可实时生成高分辨率输出。我们引入了一种对比学习框架和新的硬样本挖掘策略，将基线3D LUTs的WB校正质量提高了25.5％。实验结果表明，所提出的WB LUTs在两个基准数据集上表现出与最先进模型相竞争的性能，同时使用的内存少12.7倍，快300倍。我们的模型和代码可在https://github.com/skrmanne/3DLUT_sRGB_WB上获得。

论文旨在解决自动白平衡（AWB）问题，即通过3D Lookup Table（LUT）模型实现高分辨率的实时白平衡校正。

论文提出了一种基于3D LUTs的WB校正模型，通过对比学习和硬样本挖掘策略，提高了基线模型的校正质量。

实验结果表明，该模型在两个基准数据集上表现出色，并且比最先进的模型快300倍，内存占用减少了12.7倍。同时，该模型的代码已经开源。

最近的相关研究包括使用深度学习进行图像到图像的翻译任务进行后处理，以及使用不同的模型和技术来解决自动白平衡问题，例如GAN和CNN。