基于 GAN 的颜色恒常性:实验调查
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
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
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
利用基于图像条件生成对抗网络的生成式端到端算法,重新看待了光照条件下的非均匀和多光源色彩恒常性问题,成功地消除了阴影和光照的影响,并提供了一个新的方法来检测和消除阴影,同时提供了一个由约 6000 对合成图像组成的阴影消除数据集,解决了数据的缺陷。
Nov, 2018
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
灰度图像的自动上色一直是一个具有挑战性的任务。本文复现了基于 GAN 的上色模型,并对其中一种变体进行了实验。我们还提出了一种基于 CycleGAN 的模型,并在各种数据集上进行了实验。结果表明,所提出的 CycleGAN 模型在人脸着色和漫画着色方面表现良好,但缺乏多样化着色的能力。
Jan, 2024