图像组合是图像编辑和数据增强中一项重要操作,其实现过程是从一幅图像中提取感兴趣的前景区域与另外一幅背景图像组合到一起,合成一幅新的图像。然而,组合图像的前景与背景因成像条件不同等原因导致两者有较大的外观差异,使得组合图像在视觉上不协调、不真实。图像协调化是图像组合中必须且极其重要的一个环节,其目的是调整前景区域的外观使其和新的背景一致。现有图像协调化方法处理的图像前景与背景仍然存在外观差异,而人类视觉系统对于这种外观偏差非常敏感,仍然能够识别出其为一幅组合图像。为了进一步提升协调化图像的真实感,本文研究了基于深度学习的图像协调化方法,具体的研究工作总结如下:1.组合图像不真实的主要原因是组合图像前景与背景的光照特性不一致,而一幅图像的光照特征变化具有局部连续的特性。因此,结合光照特性分析,本文设计了一个能够学习不同尺度感受野之间特征差异的多尺度特征校准模块,并且基于该模块搭建了一个编解码网络学习组合图像中前景与背景的光照特征差异,并生成协调化之后的图像。通过在广泛使用的i Harmony4数据集上与现有图像协调化方法进行对比,实验结果表明本文提出的方法在MSE和PSNR两个指标上的评估结果分别达到了27.13和37.69,相较于基准方法FSRIH有明显的性能提升,验证了本文提出的多尺度特征校准模块的有效性。与现有其他图像协调化方法相比,本文提出的方法也达到了更好的性能和更真实的协调化效果。2.通过将组合图像与对应的真实图像进行对比分析,组合图像与真实图像仅在前景区域具有外观特征差异。这些差异主要是由于两者的光照环境不同,而图像的光照环境具有全局特性,需要大的上下文感知范围才能学习到图像整体的光照信息。基于此分析,本文提出了一个多阶段递进式图像协调化模型。该模型具有较浅的网络深度,主要关注与图像外观信息相关的浅层特征的提取与学习。同时,该模型结合高斯金字塔形式的输入,进一步扩大了模型的感受野以便更好地学习图像整体的光照信息。为了更好地利用各阶段学习的信息以生成最终真实的协调化图像,本文在相邻阶段间加入基于监督信息的注意力模块和一种有效的跨阶段连接策略。实验结果表明本文提出的方法具有网络深度浅、模型参数量少等优点。同时,该方法的MSE和PSNR评估结果分别达到了26.42和37.95,均超越了当前其他对比方法,达到了更优的协调化效果。