本文提出了一个视频色调映射（VTM）算法，解决了时域一致性和实时处理的问题。通过噪声感知的色调映射曲线（TC）设计，实现了对视频噪声的有效控制，同时保证了显示端的适应性。算法采用局部TC来增强细节并减少闪烁，通过低通滤波确保时间一致性。此外，通过对比度失真最小化优化问题，实现了对比度的精确调整。这种方法提高了VTM的质量，适用于实时视频处理。
老规矩，先给出算法结果预览和算法flow map
该算法在VTM领域比较有影响力。VTM问题和图像TM问题最大的区别在于，对视频进行处理的时候需要考虑到时域的一致性问题。在以往的算法中，很多方法都是用一些时域的约束或者滤波来进行求解的，这就不可避免地要用到一些关于未来的帧的信息，这导致VTM问题从本质上没有办法real time执行，而只能通过post process的方法来进行。
本篇文章提出的方法很好地克服了这个问题。
目录
6 Noise-aware local contrast control
3 Approach overview
方法的流程图整个就如上图所示。
算法有三个需求：1、噪声建模（也即标题中的noise aware）。2、时域一致性。3、显示端的自适应。
算法具体也可以分为三个模块：图中的三个白框
1、边缘截止的空域滤波
2、基于local的色调映射曲线（TC）
3、基于噪声感知的图像细节控制
3.1 TM中的噪声
视频降噪算法已经是比较成熟的一个领域了。因为过高的去噪强度回引入运动模糊，所以一般来讲回使用保守的降噪，然后再color grading中手动隐藏剩余的噪声。再本文中，作者提出了一种通过噪声感知色调映射来自动化后一步（隐藏剩余噪声）的方法。
具体而言，是在计算TC，以及保留对比度和细节的时候。
为了控制噪声，需要对噪声进行建模。数码相机中噪声的方差可以建模为光强度 I 的函数
其中a和b是噪声的信号相关（光子噪声）和信号无关（读出噪声）分量的参数。这个参数一般是相机模型中给出的。
考虑到视觉系统对光的非线性敏感性（韦伯-费希纳定律），我们将在对数域中进行操作。对数域中的噪声幅度可以近似为：
然后我们观察下图
式子2描述的就是红线代表的噪声。
蓝线代表人类的视觉噪声阈值：噪声比蓝线大，则能看出来，否则是看不出来有噪声的。这条蓝线由对比度敏感度函数（CSF）在每个照明度Ld下的peak值给出。（即，CSF本身在每个Ld下都是一个独立的函数。这条蓝线是在每个Ld下，都取峰值后连起来的函数。
此外，还有一个值：人眼在（对数域）各个亮度等级下能够分辨的最小亮度差距：
其中，Ct(Ld) = 1 / CSF(Ld)
3.2 显示端的适应性
这一节考虑到环境光会降低屏幕的显示对比度。用了一个模型来进行修正（这是显示端的后处理了）
其中Ld输出亮度，L'是像素值，γ是伽马值，Lmax是峰值显示亮度，Lblack是黑电平，Lrefl是照到显示器表面的环境光，近似如下：
其中Eamb是环境光强度（lux），k是显示面板的反射率。
4 TC
本文用到的TC是基于local的TC。
为了解析化这个问题，将TC参数化为一个具有多个节点的分段线性函数，如下图：
注意坐标轴中的亮度值是对数域的。每个节点由(lk, vk)表示，lk表示输入的HDR
最低0.47元/天 解锁文章
扫一扫
2397
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
