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

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

本文利用图像语义分割的信息，结合输入图像的颜色和空间信息，训练了一个 CNN 模型来消除场景照明造成的色偏，试验结果表明，利用 CNN 模型的图像语义分割信息可以将误差减少超过 40%。

Feb, 2018

本文提出了一种基于一种分类器的光源估计方法，其可通过自然场景中的色彩统计信息，无需任何空间或语义上下文，对颜色恒常性进行补偿。

Jun, 2015

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

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

本文提出了一种基于加权乘累积损失函数的级联卷积色彩恒常性算法 (C4)，可以改善回归学习的鲁棒性，并在独特的框架下实现数据集 (不同相机和场景) 的稳定泛化能力。与最先进的方法相比，实验结果表明，该算法在公共 Color Checker 和 NUS 8-Camera 基准测试中表现出卓越的性能，特别是对于较难的场景。

Dec, 2019

利用卷积神经网络对场景照明进行精确预测，在空间域中以图像块为输入，不使用手工制作的特征，该网络包括一个卷积层、一个最大池化层、一个全连接层和三个输出节点，将特征学习和回归一体化到一个优化过程中，在常规的 RAW 图像数据集上取得了最新成果，对具有空间变化照明的图像的初步实验表明 CNN 局部光源估计能力的稳定性。

Apr, 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