Hochauflösende Bildharmonisierung durch kollaborative doppelte Transformationen

Gegeben ein zusammengesetztes Bild zielt die Bildharmonisierung darauf ab, den Vordergrund anzupassen, um ihn mit dem Hintergrund kompatibel zu machen. Die hochauflösende Bildharmonisierung ist stark nachgefragt, bleibt jedoch unerforscht. Konventionelle Methoden der Bildharmonisierung lernen die globale RGB-zu-RGB-Transformation, die nahtlos auf hohe Auflösungen skaliert werden kann, aber diverse lokale Kontexte ignoriert. Neuere Methoden des tiefen Lernens lernen die dichte Pixel-zu-Pixel-Transformation, die harmonische Ausgaben erzeugen könnte, aber stark auf niedrige Auflösungen beschränkt ist. In dieser Arbeit schlagen wir ein hochauflösendes Bildharmonisierungnetzwerk mit kollaborativer doppelter Transformation (CDTNet) vor, um die Pixel-zu-Pixel-Transformation und die RGB-zu-RGB-Transformation kohärent in einem End-to-End-Netzwerk zu kombinieren. Unser CDTNet besteht aus einem Generator mit niedriger Auflösung für die Pixel-zu-Pixel-Transformation, einem Farbzuordnungsmodul für die RGB-zu-RGB-Transformation und einem Verfeinerungsmodul, um von beiden zu profitieren. Umfassende Experimente auf einem hochauflösenden Benchmark-Datensatz und unseren erstellten hochauflösenden realen zusammengesetzten Bildern zeigen, dass unser CDTNet ein gutes Gleichgewicht zwischen Effizienz und Effektivität erzielt. Unsere verwendeten Datensätze sind unter https://github.com/bcmi/CDTNet-High-Resolution-Image-Harmonization zu finden.