論文の概要: ProLab: perceptually uniform projective colour coordinate system

• arxiv url: http://arxiv.org/abs/2012.07653v2
• Date: Mon, 11 Jan 2021 18:46:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 22:47:32.861378
• Title: ProLab: perceptually uniform projective colour coordinate system
• Title（参考訳）: ProLab: 知覚的に均一な投影色座標系
• Authors: Ivan A. Konovalenko, Anna A. Smagina, Dmitry P. Nikolaev and Petr P. Nikolaev
• Abstract要約: proLabは、STRESSメトリックによって評価された知覚的均一性に応じて、広く使用されているCIE座標システムよりはるかに先です。 線形色空間の標準である色度推定の角誤差は、proLabでも使用できます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we propose proLab: a new colour coordinate system derived as a 3D projective transformation of CIE XYZ. We show that proLab is far ahead of the widely used CIELAB coordinate system (though inferior to the modern CAM16-UCS) according to perceptual uniformity evaluated by the STRESS metric in reference to the CIEDE2000 colour difference formula. At the same time, angular errors of chromaticity estimation that are standard for linear colour spaces can also be used in proLab since projective transformations preserve the linearity of manifolds. Unlike in linear spaces, angular errors for different hues are normalized according to human colour discrimination thresholds within proLab. We also demonstrate that shot noise in proLab is more homoscedastic than in CAM16-UCS or other standard colour spaces. This makes proLab a convenient coordinate system in which to perform linear colour analysis.
• Abstract（参考訳）: 本稿では,CIE XYZの3次元射影変換から導出した新しい色座標系であるproLabを提案する。 本稿では,CIEDE2000色差式に関してSTRESS法で評価された知覚的均一性に基づき,広く使用されているCIELAB座標系よりもはるかに優れていることを示す。 同時に、線型色空間の標準となる色度推定の角誤差は、射影変換が多様体の線型性を保存するため、proLabでも使用できる。 線形空間とは異なり、異なる色相に対する角誤差はプロラブ内の人間の色識別閾値に従って正規化される。 また,ProLabのショットノイズは,CAM16-UCSや他の標準色空間よりも均等であることを示す。 これにより prolab は線形色解析を行うための便利な座標系となる。

関連論文リスト

• Visual Prompt Tuning in Null Space for Continual Learning [51.96411454304625]
  既存のプロンプトチューニング手法は、継続学習(CL)における印象的な性能を示す。 本稿では,従来のタスクの特徴に代表される部分空間に直交する方向のプロンプトを調整し,各タスクを学習することを目的とする。 実際には、即時勾配予測を実装するために、実効的なヌル空間に基づく近似解が提案されている。
  論文  参考訳（メタデータ） (2024-06-09T05:57:40Z)
• SEL-CIE: Knowledge-Guided Self-Supervised Learning Framework for CIE-XYZ Reconstruction from Non-Linear sRGB Images [7.932206255996779]
  CIE-XYZ色空間は、カメラパイプラインの一部として使用されるデバイスに依存しない線形空間である。 画像は通常非線形状態に保存され、従来の方法でCIE-XYZカラー画像を実現することは必ずしも不可能である。 本稿では,CIE-XYZ 画像と sRGB 画像の再構成に SSL 手法を併用したフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-20T17:20:41Z)
• Mixing Paint: An analysis of color value transformations in multiple coordinate spaces using multivariate linear regression [55.2480439325792]
  120対の16色をテストし、線形回帰を使って入力パラメータの最も正確な組み合わせを見つけました。 I found that the fit with the highest coefficient of determination was a geometryally symmetrized linear combination of the color in CIEXYZ space。
  論文  参考訳（メタデータ） (2024-04-01T17:26:39Z)
• CVT-xRF: Contrastive In-Voxel Transformer for 3D Consistent Radiance Fields from Sparse Inputs [65.80187860906115]
  スパース入力によるNeRFの性能向上のための新しい手法を提案する。 まず, サンプル線が, 3次元空間内の特定のボクセルと交差することを保証するために, ボクセルを用いた放射線サンプリング戦略を採用する。 次に、ボクセル内の追加点をランダムにサンプリングし、トランスフォーマーを適用して各線上の他の点の特性を推測し、ボリュームレンダリングに組み込む。
  論文  参考訳（メタデータ） (2024-03-25T15:56:17Z)
• Color Equivariant Convolutional Networks [50.655443383582124]
  CNNは、偶然に記録された条件によって導入された色の変化の間にデータ不均衡がある場合、苦労する。 カラースペクトル間の形状特徴共有を可能にする新しいディープラーニングビルディングブロックであるカラー等変畳み込み(CEConvs)を提案する。 CEConvsの利点は、様々なタスクに対するダウンストリーム性能と、列車-テストの分散シフトを含む色の変化に対するロバスト性の改善である。
  論文  参考訳（メタデータ） (2023-10-30T09:18:49Z)
• Neural Color Operators for Sequential Image Retouching [62.99812889713773]
  本稿では,新たに導入したトレーニング可能なニューラルカラー演算子のシーケンスとして,リタッチ処理をモデル化して,新しい画像リタッチ手法を提案する。 ニューラルカラー演算子は、従来のカラー演算子の振舞いを模倣し、その強度をスカラーで制御しながらピクセルワイズな色変換を学習する。 定量的な測定と視覚的品質の両面で,SOTA法と比較して常に最良の結果が得られている。
  論文  参考訳（メタデータ） (2022-07-17T05:33:19Z)
• Experimental Design for Linear Functionals in Reproducing Kernel Hilbert Spaces [102.08678737900541]
  線形汎関数に対するバイアス認識設計のためのアルゴリズムを提供する。 準ガウス雑音下での固定および適応設計に対する漸近的でない信頼集合を導出する。
  論文  参考訳（メタデータ） (2022-05-26T20:56:25Z)
• Influence of Color Spaces for Deep Learning Image Colorization [2.3705923859070217]
  既存のカラー化手法は、RGB、YUV、Labなど、さまざまな色空間に依存している。 本章では,深層ニューラルネットワークのトレーニングによって得られる結果に対する影響について検討する。 RGB,YUV,Labの色空間と同一の深層ニューラルネットワークアーキテクチャを用いて得られた結果を比較した。
  論文  参考訳（メタデータ） (2022-04-06T14:14:07Z)
• The Utility of Decorrelating Colour Spaces in Vector Quantised Variational Autoencoders [1.7792264784100689]
  ネットワーク学習構造表現を強制するカラー空間変換を提案する。 入力が1つの色空間のイメージであり、出力が別の色空間のイメージであるVQ-VAEのいくつかの例を訓練した。
  論文  参考訳（メタデータ） (2020-09-30T07:44:01Z)

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。