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

本文提出了一种基于局部纹理特征和单一分类器的系统，用于从扫描的印刷文件图像中分类源打印机，该系统无需使用OCR从图像中提取字母，并在公开数据集和新数据集上进行了测试，结果表明该方法优于现有的手工特征方法，并且可以使用所有打印的字母需要更少的训练页面。

Jun, 2017

分析了一种广泛应用的生成式对抗网络（GANs）的结构，证明其颜色处理方式与实际相机明显不同，进而利用这两种区别可以有效区分GAN图像与相机图像。

Dec, 2018

本文提出了基于深度神经网络的人脸变形检测新方法，包括生成模拟打印-扫描图像的数据增强策略和预先在大型人脸识别数据集上进行训练，在来自异构图像源的具有挑战性的数据集上达到了最先进的准确性，解决了在电子身份文件中人脸变形问题带来的安全威胁。

Jan, 2019

本文提出了一种基于对抗学习和语义信息的图像上色方法，该方法使用生成网络来推断给定灰度图像的色度，模型通过全自监督策略进行训练并通过定量和定性实验展示出其失真度更高的优点。

Jul, 2019

通过使用卷积神经网络（CNN）作为模拟器，我们研究了手写数字和单词的彩色模态是否会影响它们的识别准确性或速度。实验结果表明，相对于其他两种彩色模态，黑白图像上的CNN在数字和单词的识别上具有更好的性能，而不同彩色模态下的网络精度没有显著差异。此外，通过比较三种彩色模态的训练时间，我们发现使用CNN在黑白图像上识别手写数字和单词更加高效。

Jul, 2023

基于对称正定流形学习的生成对抗网络，提出了一种全自动着色方法，用于将灰度图像转化为彩色图像，实现更真实的彩色图像和更好的评价指标。

Dec, 2023

利用打印文档扫描中提取的滴喷特征，研究了利用打印机模型的分类，不仅可以区分打印机制造商，还可以区分个别的打印机模型。

Jun, 2024

本研究针对玻璃瓶印刷过程中的质量控制问题，提出了基于机器学习的两种新方法，以检测微小缺陷。本研究的主要发现是通过优化预训练的卷积神经网络，并结合图像处理技术，大幅提高了缺陷检测的准确性，为生产过程的优化提供了有效的见解。

Sep, 2024