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

本研究提出了一个新的照明估计数据集 (SpyderCube)，旨在解决其他数据集存在的问题，可用于训练和测试单一或双照明估计方法。该数据集由 4890 幅带有语义数据的图像组成，包含两个不同方向的地面真实照明记录，可用于图像处理流程中的计算机颜色恒常性等方面的研究。

Nov, 2020

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

通过跨相机卷积颜色恒常性技术（C5），可以在训练时使用多个相机的照片成功地从新相机采集的原始图像中准确地估计场景的光照颜色，实现自动白平衡。C5 是卷积颜色常数（CCC）方法的超网络扩展，通过感知输入内容动态地调整 CCC 权重，利用未标记的测试集图像进行转导推理，并实现了几个数据集上跨相机颜色恒定性的最新精度。

Nov, 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

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

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

本文提出了一个基于物理的多光源颜色恒常性方法，利用 GAN 将照明估计问题建模为图像到图像域转换问题，并提出了一种新型的多照明数据增强方法，实验证明该方法优于现有工作。

Sep, 2021