基于深度自监督学习的可微分半色调框架

摘要

针对当前数字半色调算法处理速度慢以及半色调效果不佳的局限性，提出一种基于数据驱动的半色调框架.通过引入Gumbel-Softmax重参数化策略解决半色调离散选择带来的不可微分问题，实现了网络反向传播过程中的梯度无偏估计.为进一步强化半色调图像的效果，设计出一种新型蓝噪声损失函数，对半色调网点的分布予以优化.同时，提出区域置信度聚合模块，通过结合像素的空间相关性，使网络在训练过程中更加注重像素之间的交互信息.基于以上策略，通过优化半色调质量评估的期望值，构建了一个不需要标签引导的自监督可微分半色调处理框架.实验结果表明，所提出的方法不需要图像标签，能够在保持较高处理速度和较低参数复杂度的前提下，生成高质量的半色调图像，有效保留图像的局部结构信息和纹理细节.并且，该框架可灵活扩展至多级半色调处理，以适应多级打印喷头的需求.

关键词

半色调 / 深度学习 / 梯度估计 / 蓝噪声特性