Reinforcement Learning Based Dark Image Enhancement Through Color Feature Balancing
Notice bibliographique
Résumé
Image enhancement refers to the process of manipulating an image to improve the visual information it contains. Images can degrade due to various factors, such as operator incompetence or low-quality picture- recording devices. The degraded images exhibit color imbalance, unwanted noise, and hue saturation disparity, especially in dark images. Furthermore, any photograph taken in low-light conditions typically falls short of attaining the desired level of visibility and essential details of the image. Most image enhancement systems depend on a predetermined set of instructions. Deep learning approaches instruct and execute certain actions during training without knowledge of the properties of individual images. Insufficient knowledge occasionally leads to the distortion of images. Conversely, an agent that utilizes Reinforcement Learning (RL) can make decisions about which actions to perform based on the input image. In order to address the aforementioned challenges, we present a novel approach in this study that use Reinforcement Learning to enhance dark images. This method accurately emulates the sequential process employed by humans during retouching. Our reinforcement learning-based agent, similar to a human expert, aims to evaluate the present state of the image prior to making any decision. Upon conducting a comprehensive analysis, we have determined that our agent, which utilizes reinforcement learning (RL), has demonstrated exceptional efficacy in maintaining the authenticity and color equilibrium of dark images. In general, the experimental results demonstrate the outstanding efficacy of the proposed approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».