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

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

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

本研究提供了一种新的数据集，旨在进行相机不变色彩恒定性研究，其中包含用于训练色彩恒定性算法的多个实验室和场景图像，以及相机和光源的光谱响应数据。此外，还提出了针对可监督方法的指导方针，并以卷积神经网络为基线评估了该数据集。

Mar, 2017