2020 TPAMI，通过3D LUT操作实现快速图像画质增强，也是即hdrnet之后少有的能从快速底层角度做图像增强的工作。3D LUT已经被广泛应用在调整图像的颜色上，但是它们都是人工设计的，因此该论文对该方法进行了网络上的实现。论文的核心是学习多个基本的3D LUT，以及使用一个CNN，学习不同LUT的权重，这样就使得3D LUT是可以对图像自适应的，由于CNN是在低分辨率下，且3D LUT操作非常方便，因此可以达到较快的速度。整体结构如下所示：
3D lattice包括M三次方的元素，其中M是每个颜色通道bins，一般设成是33。不同的3D LUT有不同的RGB输出，因为是三通道，因此一个3D LUT包括3M三次方的参数。3D LUT的基本操作包括查找和三次线性插值，结构示意图如下所示:
插值的公式表示如下，该过程是可导的:
然后是预测权重的网络，这里输入的是Downsample版本的输入图像，其能直接感知图像的全局信息如亮度、色度对比度，输出为权重系数，对3D LUT的结果进行加权处理。在具体学习时，对于监督学习，这里使用的是L2 loss，对于非监督学习，这里使用的是GAN loss。此外，对3D LUT也做了约束，包括Smooth正则约束，即对每个LUT每个通道输出作用的结果使用TV loss。以及单调性正则约束，可以增加模型泛化性，论文的实验效果非常好，详情看论文。