【技术实现步骤摘要】
对神经网络进行无监督训练以用于高动态范围图像压缩
本公开涉及对神经网络进行无监督训练以用于高动态范围图像压缩。
技术介绍
高动态范围(HDR)成像是一种用于成像和摄影的技术，以再现比使用标准数字成像或摄影技术时可能实现的更大动态亮度范围。HDR成像的目的是要提供与人类视觉系统所经历的亮度范围相当的亮度范围。人眼通过虹膜和其他机制的适应，经历连续的调整以适应视觉环境中存在的宽亮度范围。大脑连续地解释此信息，以使得观看者可以在宽范围的光线条件下看到。不幸的是，由于现有打印和显示技术的对比度限制，在不使用某种形式的色调映射或压缩来减少用于表示每个像素的亮度的位的数量的情况下，无法充分地再现或显示HDR图像的扩展亮度范围。然而，现有的图像压缩技术遭受各种各样的问题和限制。这些问题和限制包括将不想要的伪影(例如，光晕，反转渐变，细节损耗、以及不均匀或平坦的光线)引入到压缩图像中。
技术实现思路
根据本公开的第一方面，提供了一种处理器实现的用于训练神经网络以执行高动态范围(HDR)图像压缩的方法，所述方法包括...
【技术保护点】
1.一种处理器实现的用于训练神经网络以执行高动态范围(HDR)图像压缩的方法，所述方法包括：/n由基于处理器的系统对HDR训练图像执行全局色调映射，以生成低动态范围(LDR)训练图像；/n由所述基于处理器的系统将所述神经网络应用于所述HDR训练图像和所述LDR训练图像，以生成增量图像，所述增量图像表示在全局色调映射操作中丢失的图像细节；/n由所述基于处理器的系统将所述增量图像与所述LDR训练图像加和，以生成输出训练图像；/n由所述基于处理器的系统计算对比度损耗，所述对比度损耗基于所述输出训练图像和所述HDR训练图像；/n由所述基于处理器的系统计算压缩损耗，所述压缩损耗基于所...
【技术特征摘要】
20191125 US 16/694,2861.一种处理器实现的用于训练神经网络以执行高动态范围(HDR)图像压缩的方法，所述方法包括：
由基于处理器的系统对HDR训练图像执行全局色调映射，以生成低动态范围(LDR)训练图像；
由所述基于处理器的系统将所述神经网络应用于所述HDR训练图像和所述LDR训练图像，以生成增量图像，所述增量图像表示在全局色调映射操作中丢失的图像细节；
由所述基于处理器的系统将所述增量图像与所述LDR训练图像加和，以生成输出训练图像；
由所述基于处理器的系统计算对比度损耗，所述对比度损耗基于所述输出训练图像和所述HDR训练图像；
由所述基于处理器的系统计算压缩损耗，所述压缩损耗基于所述输出训练图像和所述LDR训练图像；以及
由所述基于处理器的系统基于所述对比度损耗和所述压缩损耗的加权和来计算损耗函数。
2.根据权利要求1所述的方法，还包括：基于所述损耗函数来对所述神经网络执行迭代反向传播训练，使得所述输出训练图像收敛至经压缩HDR图像。
3.根据权利要求2所述的方法，其中，所述加权和基于被选择用于控制所述经压缩HDR图像中对比度的压缩与保持的比率的参数。
4.根据权利要求1至3中任一项所述的方法，其中，所述对比度损耗被计算为所述输出训练图像的计算对比度和所述HDR训练图像的计算对比度之间的直线距离。
5.根据权利要求4所述的方法，其中，图像的计算对比度被计算为该图像的相邻像素的强度比率的对数。
6.根据权利要求1至3中任一项所述的方法，其中，所述压缩损耗被计算为所述输出训练图像的对数和所述LDR训练图像的对数之间的直线距离。
7.根据权利要求1至3中任一项所述的方法，其中，所述神经网络是卷积神经网络。
8.根据权利要求1至3中任一项所述的方法，其中，对所述神经网络的训练是无监督的。
9.至少一种非暂时性计算机可读存储介质，其上编码有指令，当所述指令被一个或多个处理器执行时，执行用于训练神经网络以执行高动态范围(HDR)图像压缩的过程，所述过程包括：
对HDR训练图像执行全局色调映射，以生成低动态范围(LDR)训练图像；
将所述神经网络应用于所述HDR训练图像和所述LDR训练图像，以生成增量图像，所述增量图像表示在全局色调映射操作中丢失的图像细节；
将所述增量图像与所述LDR训练图像加和，以生成输出训练图像；
计算对比度损耗，所述对比度损耗基于所述输出训练图像和所述HDR训练图像；
计算压缩损耗，所述压缩损耗基于所述输出训练图像和所述LDR训练图像；以及
基于所述对比度损耗和所述压缩损耗的加权和来计算损耗函数。
10.根据权利要求9所述的计算机可读存储介质，其中...
【专利技术属性】
技术研发人员：什洛莫·巴格达里，罗尼·扎扎里尼，
申请(专利权)人：英特尔公司，
类型：发明
国别省市：美国;US
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。