Modeling the lighting as style factor via neural networks for white balance correction

Bu tez, ışıklandırmayı bir stil faktörü olarak modelleyerek, hem mimari tasarım hem de optimizasyon çerçeveleri açısından dağılım tabanlı yaklaşımlar aracılığıyla Beyaz Dengesi (BD) düzeltmesini incelemektedir. Karmaşık ışıklandırma senaryolarındaki zorlukları ele almak için üç yeni yöntem önerilmektedir. İlk yöntem, Style WB, ışıklandırmaya bağlı stil bilgisini kaldırmak için stil modülasyonuna sahip UNet benzeri bir mimari kullanmakta ve geliştirilmiş mekânsal tutarlılığı artırırken güçlü bir düzeltme sağlar. İkinci yöntem, FDM WB, Uformer mimarisine ışıklandırmanın bütüncül ve yerel özniteliklerinin hassas şekilde hizalayan bir dağılım eşleme mekanizması entegre ederek, BD düzeltmesi için önemli iyileştirmeler sunar. Her iki yöntem de Cube+ veri seti ve sentetik çoklu ışıklandırma içeren değerlendirme kümesi üzerinde test edilmiş ve çeşitli ışıklandırma koşulları altında başarı göstermiştir. Üçüncü yöntem, FDM Loss, Vision Transformers mimarisinde yer alan [CLS] token'ı kullanarak, tahmin edilen ve gerçek görüntüler arasındaki tüm dağılım momentlerini tam eşleştiren bir optimizasyon çerçevesi tanımlar ve karmaşık ışıklandırma varyasyonlarını modellemek için gerekli olan yüksek mertebeden istatistikleri yakalar. Bu yöntem, üç farklı kamera ile çekilmiş resimler içeren LSMI veri seti üzerinde daha düşük ortalama açısal hata değerleri ve tutarlı BD düzeltmesi sağlamaktadır. Bu yöntemler BD düzeltmesi performansını geliştirirken, kaynak kısıtlı ortamlarda DeNIM gibi deterministik piksel eşleme mekanizmalarının entegrasyonu ya da karmaşık ışıklandırma senaryolarını ele almak için difüzyon tabanlı modeller ve nöral ADD'lerin kullanımıyla performansın artırılabileceği öngörülmektedir. Bu çalışma, zorlu ışıklandırma senaryolarında dağılım tabanlı modellemenin rolünü yeniden tanımlamakta ve görüntü iyileştirme alanında gelecekteki yeniliklere sağlam bir temel oluşturmaktadır.