Dec, 2023

从计算色彩恒常性的角度探究色彩错觉

PDF
TL;DR通过分析色彩视觉系统中的色彩恒常性和色彩幻觉知觉现象，我们修改了现有的色彩恒常性方法，使其能够更好地模拟人类视觉系统在色彩幻觉上的行为，并显示出从幻觉中提取的参数能够改善色彩恒常性方法的性能，从而超越现有的多光源算法设计。
color constancycolor illusion perceptionhuman perceptioncomputational color constancymulti-illuminant algorithms
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 基于光滑技术的多光源场景像素级色彩恒常性

    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

  • 多光源色彩恒常性的生成模型

    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

  • 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

  • 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

  • 基于 GAN 的颜色恒常性：实验调查

    本文将颜色恒常性任务转化为使用 GANs 的图像到图像翻译问题，并通过在不同数据集上进行大量实验提供了关于使用不同类型的 GAN 解决颜色恒常性即 CC-GANs 的实验调查，根据实验调查为设计基于不同标准、情况和数据集的 CC-GAN 架构提供了建议。

    Dec, 2018