文献综述 #8212;#8212;Deep Bilateral Learning for Real-Time Image Enhancement 性能是移动图像处理中的关键挑战。

给定一个参考成像管道，甚至是人工调整的图像对，寻求重现增强功能并实现实时评估。

为此引入了受双边格启发的新型神经网络架构处理和局部仿射色变换。

使用输入/输出图像对，训练一个卷积神经网络来预测一个双边空间中的局部仿射模型的系数。

此项工程学习制作局部的，全局的和依赖于内容的决策来逼近所需的图像转换。

在运行时，神经网络消耗输入图像的低分辨率版本，在双侧空间中生成一组仿射变换，使用新的分割节点以保持边缘的方式对这些变换进行上采样，然后把这些经过上采样的变换应用到全分辨率图像。

这个算法在毫秒级的智能手机上处理高分辨率图像，并提供实时取景器1080p分辨率，并且与应用在一大类的图像处理器上的最新近似技术所产生的结果相匹配。

不像以前的工作，这一模型是从脱机的数据中训练的，因此访问运行时不需要初始处理。

这就使得这一模型能够为没有可供参考的图像学习复杂的，场景独立的转换。

分辨率高的现代相机和移动设备生成的图像和视频，给图像处理算法带来了巨大的性能压力，需要熟练的程序员进行复杂的代码调整。