通过学习预测亮度色度来实现色彩恒常性
本研究通过将色彩恒常性问题重新定义为一个在对数色度空间中的二维空间定位任务,从而使我们能够应用目标检测和结构化预测技术来解决色彩恒常性问题,直接学习如何区分正确白平衡图像和错误白平衡图像,从而使模型在标准基准测试上的表现提高近 40%。
Jul, 2015
本文提出了一种基于无监督学习的方法,该方法在对训练图像的未知真实光照进行近似后学习其参数值,进而避免了校准,同时还提出了方法的扩展,可以从使用一种传感器拍摄的非校准图像中学习所需参数并成功地应用到使用另一种传感器拍摄的图像上,从而实现了相机间无人监督学习颜色恒定性。同时,还创建了一个新的高质量的颜色恒定性基准数据集,并进行了测试和公开。
Dec, 2017
该研究提出了一种基于贝叶斯框架的多假设策略来解决色彩恒常性问题,通过数据驱动的方式选择多个候选场景光源,并利用相机视觉无关的卷积神经网络对更正的图像进行似然估计,最后从后验概率分布中学习一个最终的光照估计,该方法在多个公共数据集上实现了最先进的准确性。
Feb, 2020
本文采用深度学习框架来解决计算机颜色恒常性问题,使用卷积神经网络将颜色恒常性问题视为照明分类问题,设计深度学习架构以直接用于计算照明颜色,实验结果表明我们的深度网络能够提取有用特征用于照明估计,且在多个测试数据集上性能优于所有先前的颜色恒常方法。
Aug, 2016
颜色恒常性 (CC) 是视觉系统在不同照明条件下感知目标具有相对恒定颜色的能力。本研究通过自监督学习的方式,展示了 CC 是如何在神经网络中发展起来的,并提供了一种可行的例子,说明 CC 可能是通过一种自我监督学习形式在人类认知发展过程中出现的。
Apr, 2024
本文介绍了 CLCC,一种适用于色彩恒常性的新型对比学习框架。通过构建有效的对比对来学习更好的光源相关特征,本方法在 NUS-8 数据集上相较于强基线提供了 17.5% 的相对改进,并在 Gehler 数据集上达到了具有竞争力的性能。此外,我们的模型在不同场景的光源下更具鲁棒性,有效减少了数据稀疏区域中的最差情况误差 28.7%。
Jun, 2021
通过分析色彩视觉系统中的色彩恒常性和色彩幻觉知觉现象,我们修改了现有的色彩恒常性方法,使其能够更好地模拟人类视觉系统在色彩幻觉上的行为,并显示出从幻觉中提取的参数能够改善色彩恒常性方法的性能,从而超越现有的多光源算法设计。
Dec, 2023
本文介绍一种使用深度结构输出回归学习框架来解决计算机视觉中的颜色均衡问题的方法,该框架结合了深度卷积神经网络的优势,可以自动发现强特征用于白平衡,同时学习多项输出回归器以找到复杂目标变量间的相互依赖关系。实验表明,该方法在两个公共基准测试中取得了与最先进方法的竞争性表现。
Jul, 2016
本研究探讨颜色恒定问题中相机光谱敏感性和景观照明等因素对色彩恒定算法的影响,提出了一种基于跨数据集的颜色恒定方法,通过学习转换矩阵,将训练数据集中的彩色图像在不同光谱敏感性下进行转换,使得原有的颜色恒定算法可以在不同光谱敏感性下进行应用。
Sep, 2016
通过学习多个光源引起的像素级照明图,提出了一种新的多光源颜色恒常性方法,该方法利用总变差损失对邻近像素进行平滑处理,进一步使用双边滤波增强估计图像的自然外观并保留边缘,并通过标签平滑技术使模型能够在地面真实性的不确定性下进行更好的推断。定量和定性实验证明该方法优于现有的技术水平。
Feb, 2024