CVPRJun, 2021

CLCC：针对色彩恒常性的对比学习

PDF
TL;DR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%。
发现论文，激发创造
  • 自监督学习的色彩恒常性

    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

  • 利用深度学习对计算机颜色恒常性问题进行分类处理

    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

  • 一种多假设的色彩恒常性方法

    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

  • 通过学习预测亮度色度来实现色彩恒常性

    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

  • 级联卷积色彩恒常性

    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

  • 卷积色彩恒常性

    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

  • 无监督的色彩恒常性学习

    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

  • 深度结构输出回归学习在计算颜色恒定性中的应用

    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

  • 通过折扣相机光谱灵敏度的变化来改善色彩恒常性

    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

  • 跨摄像机卷积色彩恒常性

    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