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(7)

图 8. 色偏校正方案整体流程
生成网络的设计
上文中提到在 sRGB 图像上直接进行处理并没有在 Raw 图上处理效果好，因此生成器采用类 U-Net 网络结构模拟 sRGB 到 RAW 再转换回 sRGB 的非线性映射过程，其中编码器将 sRGB 逆向还原回 RAW 图并进行 RAW 图上的色偏校正，在完成正确的白平衡设置后，解码器进行解码，生成使用了正确白平衡设置的 sRGB 图像。整个 G 网络的目的不是将图像重新渲染会原始的 sRGB 图，而是在 RAW 上使用正确的白平衡设置生成无色偏图像。鉴于直接使用原始的 U-Net 网络生成的图像会存在色彩不均匀的问题，G 网络参考 U-Net 以及自主研发的方案做了一些调整：
在编码器与解码器之间加入另外一个分支，使用均值池化代替全连接网络提取图像的全局特征从而解决生成图像存在色块和颜色过度不均匀的问题；
使用 range scaling layer 代替 residuals，也就是逐个元素相乘，而不是相加，学习范围缩放层（而不是残差）对于感知图像增强效果非常好；
为了减少生成图像的棋盘格伪影，将解码器中的反卷积层替换为一个双线性上采样层和一个卷积层。
生成网络结构如图 9 所示，提取全局特征的网络分支具体结构如图 10 所示。

图 9. 生成网络结构图