PREEN

PREEN（Preset Regression via an Exemplar-based Editor Network）提出了一种颜色风格迁移方法：给定内容图和风格参考图，预测一组智能手机编辑器预设参数（29维滑动条数值），而不是输出像素。

PREEN 将风格迁移转化为对编辑器参数空间的回归问题，其输出是一组可手动调整、二次编辑的预设参数，具备可解释性。

PREEN 的训练监督信号通过引入风格迁移教师模型生成：将教师模型的目标外观反演到编辑器参数空间，生成伪预设（pseudo-presets）。

PREEN 的具体训练流程分为两步：先预训练一个以 CLIP 为条件的回归器，再在图像级 CIELAB 损失下用 LoRA 进行微调。

在 PREEN 中，CLIP 被用作风格参考的条件编码器，相比直接使用参考图 RGB 像素作为条件，CLIP 特征对语义内容更鲁棒，能缓解参考图中具体物体对风格判断的干扰。

在 PST50 基准上，PREEN 在像素级和感知保真度指标上领先基线方法，同时保持了结构保真度。

PREEN 由于输出是紧凑的29维预设向量，推理在设备端达到亚秒级延迟，适合智能手机端的实时应用场景。

PREEN 的低维参数子空间提供了一个推理时强度旋钮：在一次前向传播中，用户可以沿着从“默认”到“鲜艳”的连续轨迹调节，每一个中间状态都是合法的编辑器预设。

两轴人类研究表明，评分者在匹配参考图时更偏好鲜艳端，但作为独立照片欣赏时更偏好默认端。

PREEN 的局限性在于它依赖一个确定的29参数编辑器，若编辑器参数体系变化，模型需要重新适配；此外伪预设的质量受教师模型影响，教师模型的偏差可能传递到最终预设中。