LightGCNet:基于轻量化卷积网络的深度色域压缩算法OA北大核心

色域压缩是大色域向小色域进行转换时保持色彩信息的关键技术。经典算法虽计算快速,但处理结果缺乏细节且没有考虑人眼的感知特性,难以满足人们对色彩品质不断提升的要求。迭代算法处理效果更佳,但极其耗时,无法投入实际应用。针对上述问题,提出了轻量化的深度色域压缩方法,该方法可在逼近迭代算法计算效果的同时保持接近经典算法的速度。为色域压缩算法设计了LightGCNet模型,该网络中的双层卷积由DSC与DW卷积组合而成,相比常规U-Net,参数量与计算复杂度急剧降低。为进一步提高模型先验性,将预训练得到的DW卷积中多个核通道进行重聚焦操作以建立联系,最终权重由重聚焦权重和预训练权重组成。针对色相、明度、彩度这三个色彩属性,设计了色域压缩专用的损失函数。该函数不仅考虑了像素级损失,而且融合了图像感知损失,并联合色彩属性的多尺度信息进行加权,解决了深度色域压缩过程中细节丢失的问题。基于迭代算法生成标签以训练网络,联合学习目标色域特征与图像信息,实现了与迭代算法相当的效果。实验结果表明:该方法与业界经典的SGCK算法相比,iCID值降低了17.08%,SSIM值提高了5.30%。相比常规U-Net模型,LightGCNet参数量减少了82.96%,乘加次数从8.5GFLOPs大幅下降至2.2GFLOPs,使改良模型更适于低端设备部署。该模型在CPU上处理单幅512×512图像仅需0.208s,计算时间比迭代类算法减少99.92%。