Aprendizado de ajuste tonal global fotográfico com um banco de dados de pares de imagens de entrada/saída

Ajustar fotografias para obter representações atraentes requer habilidade e tempo. Mesmo os ajustes de contraste e brilho são desafiadores porque exigem levar em conta o conteúdo da imagem. Os fotógrafos também são conhecidos por terem diferentes preferências de retoque. Como resultado dessa complexidade, técnicas automáticas baseadas em regras muitas vezes falham. Esse problema pode se beneficiar grandemente do aprendizado de máquina supervisionado, mas a falta de dados de treinamento tem impedido o trabalho nessa área. Nossa primeira contribuição é a criação de um conjunto de dados de referência de alta qualidade. Coletamos 5.000 fotos, as anotamos manualmente e contratamos 5 fotógrafos treinados para retocar cada imagem. O resultado é uma coleção de 5 conjuntos de 5.000 pares de entrada-saída de exemplos que possibilitam o aprendizado supervisionado. Primeiro, usamos esse conjunto de dados para prever o ajuste de um usuário a partir de um grande conjunto de treinamento. Em seguida, mostramos que nosso conjunto de dados e recursos possibilitam a personalização precisa do ajuste usando um conjunto de fotos de treinamento cuidadosamente selecionadas. Finalmente, apresentamos o aprendizado de diferença: esse método modela e prevê diferenças entre usuários. Ele libera o usuário de usar fotos predeterminadas para o treinamento. Mostramos que o aprendizado de diferença possibilita previsão precisa usando apenas um punhado de exemplos.