AI凭什么超越人类修图师？万字长文看懂美图云修AI修图解决方案(6)

目前主流的色偏校正方案大多数是基于卷积神经网络，而常规的卷积神经网络结构并不能彻底校正色偏，这些方案对于与低色温光源相近的颜色，比如木头的颜色，会存在将其误判为低色温光源的现象。
大多数数码相机提供了在图像菜鸡过程中调整白平衡设置的选项。但是，一旦选择了白平衡设置并且 ISP 将图像完全处理为最终的 sRGB 编码，就很难在不访问 RAW 图像的情况下执行 WB 编辑，如果白平衡设置错误，此问题将变得更加困难，从而导致最终 sRGB 图像中出现强烈的偏色。
美图影像实验室 MTlab 自主研发了一套专门能够适应多场景复杂光源下的智能调色技术。传统白平衡算法的核心是通过实时统计信息，比照传感器的先验信息，计算出当前场景的光源，通过传感器先验信息做白平衡，这种方法仍然有很多局限。MTlab 提出的智能白平衡方案(AWBGAN)，依靠海量场景的无色偏真实数据，能够实现自适应的光源估计，完成端到端的一站式调色服务。AWBGAN 满足以下 2 个特点：
全面性：多场景多光源，涵盖常见场景进行多样化处理
鲁棒性：不会存在场景以及光源误判问题，色偏校正后不会造成二次色偏
当前的主流算法主要是集中在 sRGB 颜色域上进行色偏校正，但是这样处理并不合理。因为相机传感器在获取原始的 RAW 图像再到最终输出 sRGB 图像，中间经过一系列的线性以及非线性映射处理，例如曝光校正，白平衡以及去噪等处理流程。ISP 渲染从白平衡过程开始，该过程用于消除场景照明的偏色。然后，ISP 进行了一系列的非线性颜色处理，以增强最终 sRGB 图像的视觉质量。由于 ISP 的非线性渲染，使用不正确的白平衡渲染的 sRGB 图像无法轻松校正。为此 MTlab 设计了 AWBGAN 训练学习网络来完成色偏校正。
针对一张待校正色偏的图像，首先需要使用已经训练好的场景分类模型进行场景判定，获得校正系数，该校正系数将会用于 AWBGAN 的校正结果，能在校正结果的基础上进行动态调整。对于高分辨率图像如果直接进行色偏校正处理，耗时高。为了提高计算效率，MTlab 会将待校正色偏图像采样到一定尺度再进行校正操作，最后再将结果使用金字塔操作逆向回原图尺寸。完整的校正流程如图 8 所示。