基于光滑技术的多光源场景像素级色彩恒常性

Feb, 2024

基于光滑技术的多光源场景像素级色彩恒常性

Pixel-Wise Color Constancy via Smoothness Techniques in Multi-Illuminant Scenes

Umut Cem Entok, Firas Laakom, Farhad Pakdaman, Moncef Gabbouj

TL;DR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。

Abstract

Most scenes are illuminated by several light sources, where the traditional assumption of uniform illumination is invalid. This issue is ignored in most color constancy methods, primarily due to the complex spatial impact of multiple light sources on the image. Moreover, most existing multi-illuminant methods fail to preserve the smooth change of illuminatio

multi-illuminant color constancy method pixel-wise illumination maps total variation loss bilateral filter label-smoothing technique

发现论文，激发创造

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

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

多光源色彩恒常性的条件 GAN：革命还是又一种方法？

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

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

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

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

CLCC：针对色彩恒常性的对比学习

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

从计算色彩恒常性的角度探究色彩错觉

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。

Dec, 2023

使用 CNN 的色彩恒常性

利用卷积神经网络对场景照明进行精确预测，在空间域中以图像块为输入，不使用手工制作的特征，该网络包括一个卷积层、一个最大池化层、一个全连接层和三个输出节点，将特征学习和回归一体化到一个优化过程中，在常规的 RAW 图像数据集上取得了最新成果，对具有空间变化照明的图像的初步实验表明 CNN 局部光源估计能力的稳定性。

Apr, 2015