计算机科学与探索

作者：杨晨, 徐昊, 朱佳伟, 吴秦, 柴志雷

单位：1. 江南大学 人工智能与计算机学院，江苏 无锡 2141222. 江苏省模式识别与计算智能工程实验室，江苏 无锡 214122

关键词：色域压缩,轻量化,深度学习,色彩管理

基金：国家自然科学基金（61972180）；江苏省模式识别与计算智能工程实验室项目。

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8.5 GFLOPs大幅下降至2.2 GFLOPs，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0.208 s，计算时间比迭代类算法减少99.92%。

来源：2025年第1期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第1期