Learning Color Grading, No Photo Sharing: Federated Aesthetic Preference Learning for Personalized Image Enhancement
作者: Chuanzhi Xu, Ziyuan Tao, Jean Julien KNell, Yanrong Chen, Haolan Guo, Xuanhua Yin, Adnan Mahmood, Weidong Cai
分类: cs.CV, cs.AI, cs.DC
发布日期: 2026-07-30
💡 一句话要点
提出FedPAIE框架以解决个性化图像增强中的隐私问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 个性化图像增强 联邦学习 隐私保护 审美评分 图像处理 深度学习 无配对学习
📋 核心要点
- 现有个性化图像增强方法依赖于集中收集用户的私人照片和评分，存在隐私问题和数据稀疏性挑战。
- 本文提出FedPAIE框架，通过联邦学习实现个性化审美评分和图像增强，避免了对用户数据的集中化处理。
- 在MIT-Adobe FiveK和Flickr-AES数据集上的实验表明，FedPAIE在用户偏好与图像保真度之间取得了良好的平衡，表现出色。
📝 摘要（中文）
个性化图像增强应反映个人审美品味，但现有方法通常依赖于不适合集中收集的私人照片和评分。本文提出FedPAIE，一个联邦个性化审美图像增强框架，旨在无需集中原始照片或评分的情况下，实现用户自适应的色彩分级。FedPAIE通过训练轻量级的双线索审美评分器，并在小型本地支持集上校准为个性化评分器，指导轻量级CLUT增强器的正则化适应。实验结果表明，FedPAIE在MIT-Adobe FiveK和Flickr-AES数据集上实现了有效的开放世界个性化，用户偏好与图像保真度之间取得了良好的平衡。
🔬 方法详解
问题定义：本文旨在解决个性化图像增强中对用户隐私的保护问题。现有方法通常需要集中收集用户的私人照片和评分，这不仅不适合用户隐私保护，还面临数据稀疏性的问题。
核心思路：FedPAIE框架通过联邦学习实现个性化审美评分和图像增强，允许用户在本地设备上进行学习，避免了对私人数据的集中处理。该方法通过轻量级的双线索审美评分器和CLUT增强器的正则化适应，实现了高效的个性化图像处理。
技术框架：FedPAIE的整体架构包括三个主要模块：首先是轻量级双线索审美评分器的训练；其次是在小型本地支持集上校准为个性化评分器；最后是通过无配对本地照片指导CLUT增强器的正则化适应。
关键创新：FedPAIE的核心创新在于将联邦学习与个性化图像增强相结合，避免了对用户数据的集中化处理，同时实现了有效的个性化适应。与现有方法相比，FedPAIE在保护用户隐私的同时，仍能提供高质量的图像增强效果。
关键设计：在技术细节上，FedPAIE的评分器学习更新最多涉及0.787M参数，增强器适应更新涉及0.265M参数，而推理阶段仅保留0.293M参数的个性化增强器。此外，采用了保真度约束和过度间隙惩罚来限制代理评分的过度优化，同时保持内容和自然外观。
🖼️ 关键图片
📊 实验亮点
实验结果显示，FedPAIE在MIT-Adobe FiveK和Flickr-AES数据集上实现了有效的开放世界个性化，用户偏好与图像保真度之间的平衡表现出色。与基线方法相比，FedPAIE在用户满意度和图像质量上均有显著提升，具体性能数据未提供。
🎯 应用场景
该研究具有广泛的应用潜力，尤其在社交媒体、在线摄影和个性化图像处理领域。通过保护用户隐私，FedPAIE可以在不侵犯用户数据的前提下，提供个性化的图像增强服务，未来可能推动更多基于用户偏好的图像处理应用的发展。
📄 摘要（原文）
Personalized image enhancement should reflect individual aesthetic taste, yet learning such preferences commonly depends on private photos and ratings that are unsuitable for centralized collection. The task must infer preference from sparse, heterogeneous feedback and translate it into natural-looking color transformations on resource-constrained user devices. We introduce FedPAIE, a federated personalized aesthetic image enhancement framework for user-adaptive color grading without centralizing raw photos or ratings. FedPAIE trains a lightweight dual-cue aesthetic scorer, calibrates it into a personalized scorer on a small local support set, and freezes it to guide regularized adaptation of a lightweight CLUT enhancer from unpaired local photographs. Fidelity constraints and an excess-gap penalty regularize scorer-guided adaptation to limit proxy-score over-optimization while preserving content and natural appearance. Training remains lightweight throughout the pipeline: scorer learning updates at most 0.787M parameters, enhancer adaptation updates 0.265M, and inference retains only a 0.293M-parameter personalized enhancer. Experiments on MIT-Adobe FiveK and Flickr-AES demonstrate effective open-world personalization and a favorable balance between user preference and image fidelity. FedPAIE thus connects decentralized preference learning with efficient personalized image transformation without requiring paired user retouches.