論文の概要: Probabilistic Color Constancy
- arxiv url: http://arxiv.org/abs/2005.02730v1
- Date: Wed, 6 May 2020 11:03:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 06:07:58.868845
- Title: Probabilistic Color Constancy
- Title（参考訳）: 確率的色彩コンステンシー
- Authors: Firas Laakom, Jenni Raitoharju, Alexandros Iosifidis, Uygar Tuna,
Jarno Nikkanen and Moncef Gabbouj
- Abstract要約: 我々は、異なる画像領域の寄与を重み付けすることで、シーンの照度を推定するためのフレームワークを定義する。
提案手法は,INTEL-TAUデータセット上での最先端技術と比較して,競合性能を実現する。
- 参考スコア（独自算出の注目度）: 88.85103410035929
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a novel unsupervised color constancy method, called
Probabilistic Color Constancy (PCC). We define a framework for estimating the
illumination of a scene by weighting the contribution of different image
regions using a graph-based representation of the image. To estimate the weight
of each (super-)pixel, we rely on two assumptions: (Super-)pixels with similar
colors contribute similarly and darker (super-)pixels contribute less. The
resulting system has one global optimum solution. The proposed method achieves
competitive performance, compared to the state-of-the-art, on INTEL-TAU
dataset.
- Abstract（参考訳）: 本稿では,PCC(Probabilistic Color Constancy)と呼ばれる,教師なしのカラーコンスタンス手法を提案する。
画像のグラフに基づく表現を用いて,異なる画像領域の寄与度を重み付けしてシーンの照度を推定する枠組みを定義する。
それぞれの(スーパー)ピクセルの重さを推定するには、同じ色の(スーパー)ピクセルが同じように寄与し、より暗い(スーパー)ピクセルが寄与する、という2つの仮定に依存する。
結果のシステムは一つの大域的最適解を持つ。
提案手法は,INTEL-TAUデータセット上の最先端技術と比較して,競合性能を実現する。
関連論文リスト
- Transforming Color: A Novel Image Colorization Method [8.041659727964305]
本稿では,色変換器とGANを用いた画像カラー化手法を提案する。
提案手法は,グローバルな情報を取得するためのトランスフォーマーアーキテクチャと,視覚的品質を改善するためのGANフレームワークを統合する。
実験の結果,提案するネットワークは,他の最先端のカラー化技術よりも優れていた。
論文 参考訳（メタデータ） (2024-10-07T07:23:42Z) - Beyond Learned Metadata-based Raw Image Reconstruction [86.1667769209103]
生画像は、線形性や微細な量子化レベルなど、sRGB画像に対して明確な利点がある。
ストレージの要求が大きいため、一般ユーザからは広く採用されていない。
本稿では,メタデータとして,潜在空間におけるコンパクトな表現を学習する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-21T06:59:07Z) - Probabilistic Deep Metric Learning for Hyperspectral Image
Classification [91.5747859691553]
本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。
ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。
我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
論文 参考訳（メタデータ） (2022-11-15T17:57:12Z) - PalGAN: Image Colorization with Palette Generative Adversarial Networks [51.59276436217957]
そこで本研究では,パレット推定とカラーアテンションを統合した新しいGANベースのカラー化手法PalGANを提案する。
PalGANは、定量的評価と視覚比較において最先端の成果を上げ、顕著な多様性、コントラスト、およびエッジ保存の外観を提供する。
論文 参考訳（メタデータ） (2022-10-20T12:28:31Z) - Cross-Camera Deep Colorization [10.254243409261898]
本稿では,カラープラスモノデュアルカメラシステムからの画像の整列と融合を行う,エンドツーエンドの畳み込みニューラルネットワークを提案する。
提案手法は,約10dBPSNRゲインの大幅な改善を継続的に達成する。
論文 参考訳（メタデータ） (2022-08-26T11:02:14Z) - Mitigating Channel-wise Noise for Single Image Super Resolution [33.383282898248076]
本稿では,色チャネルを協調的に考慮し,ノイズの多い色画像の超解法を提案する。
結果は、実際のシナリオにおけるアプローチの超解能を実証する。
論文 参考訳（メタデータ） (2021-12-14T17:45:15Z) - Guided Colorization Using Mono-Color Image Pairs [6.729108277517129]
モノクロ画像は通常、より優れた信号対雑音比(SNR)とよりリッチなテクスチャを持つ。
モノクロ画像とカラー画像とをカラー化するモノクロ画像強調アルゴリズムを提案する。
実験結果から,本アルゴリズムはより高精細度で高精細度な色画像をモノカラー画像対から効率よく復元できることが示唆された。
論文 参考訳（メタデータ） (2021-08-17T07:00:28Z) - ITSELF: Iterative Saliency Estimation fLexible Framework [68.8204255655161]
機密度オブジェクト検出は、画像で最も顕著なオブジェクトを推定する。
我々は,ユーザ定義の仮定をモデルに追加できる,スーパーピクセルベースのITELF(ITSELF)を提案する。
ITSELFを5つのメトリクスと6つのデータセットで2つの最先端の精度推定器と比較する。
論文 参考訳（メタデータ） (2020-06-30T16:51:31Z) - Steering Self-Supervised Feature Learning Beyond Local Pixel Statistics [60.92229707497999]
画像の特定の変換の識別に基づく自己教師型特徴学習の新しい原理を提案する。
実験により,LCI,画像ワープ,回転などの変換を識別する学習が,技術一般化能力の状態を特徴付けることを示した。
論文 参考訳（メタデータ） (2020-04-05T22:09:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。