論文の概要: Deep Neural Models for color discrimination and color constancy

• arxiv url: http://arxiv.org/abs/2012.14402v1
• Date: Mon, 28 Dec 2020 18:31:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-19 13:54:57.082409
• Title: Deep Neural Models for color discrimination and color constancy
• Title（参考訳）: 色識別と色構成のための深層神経モデル
• Authors: Alban Flachot, Arash Akbarinia, Heiko H. Sch\"utt, Roland W. Fleming, Felix A. Wichmann, Karl R. Gegenfurtner
• Abstract要約: 深層ニューラルネットワークのカラー定数をトレーニングし,その性能を様々な方法で評価した。 1つのネットワークであるDeep65はD65照明の下で訓練され、DeepCCはさまざまな照明の下で訓練された。
• 参考スコア（独自算出の注目度）: 5.797175925536263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Color constancy is our ability to perceive constant colors across varying illuminations. Here, we trained deep neural networks to be color constant and evaluated their performance with varying cues. Inputs to the networks consisted of the cone excitations in 3D-rendered images of 2115 different 3D-shapes, with spectral reflectances of 1600 different Munsell chips, illuminated under 278 different natural illuminations. The models were trained to classify the reflectance of the objects. One network, Deep65, was trained under a fixed daylight D65 illumination, while DeepCC was trained under varying illuminations. Testing was done with 4 new illuminations with equally spaced CIEL*a*b* chromaticities, 2 along the daylight locus and 2 orthogonal to it. We found a high degree of color constancy for DeepCC, and constancy was higher along the daylight locus. When gradually removing cues from the scene, constancy decreased. High levels of color constancy were achieved with different DNN architectures. Both ResNets and classical ConvNets of varying degrees of complexity performed well. However, DeepCC, a convolutional network, represented colors along the 3 color dimensions of human color vision, while ResNets showed a more complex representation.
• Abstract（参考訳）: 色コンステンシーは、様々な照度で一定の色を知覚する能力です。 そこで我々は,深層ニューラルネットワークのカラー定数をトレーニングし,その性能を様々な方法で評価した。 ネットワークへの入力は、2115の異なる3d形状の3dレンダリング画像の円錐励起と1600のマンセルチップのスペクトル反射、そして278の異なる自然照度の下で照らされた。 モデルはオブジェクトの反射率を分類するために訓練された。 1つのネットワーク、deep65はd65照明の下で訓練され、deepccは様々な照明の下で訓練された。 試験は4つの新しい照明で行われ、CIEL*a*b*色度が等間隔で、日光の軌跡に沿って2つ、直交して2つだった。 We found a high degree of color constancy for DeepCC, and constancy was higher along the daylight locus。 シーンから徐々に手がかりを取り除くと、一貫性は低下した。 異なるdnnアーキテクチャで高いレベルのカラーコンステンシーが達成された。 ResNetsも古典的なConvNetsも、複雑さの度合いが異なる。 しかし、畳み込みネットワークであるDeepCCは人間の色覚の3色次元に沿って色を表現し、ResNetsはより複雑な表現を示した。

関連論文リスト

• Learning Adaptive Lighting via Channel-Aware Guidance [22.594897891133556]
  学習適応照明ネットワーク(Learning Adaptive Lighting Network, LALNet)は、様々な光関連タスクを処理できる統合フレームワークである。 異なる色チャネルの光差を強調する色分離機能を導入し、それらを従来の色混合機能と組み合わせる。 代表的な4つの光関連タスクの実験により、LALNetはベンチマークテストで最先端の手法を大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-12-02T13:44:53Z)
• You Only Need One Color Space: An Efficient Network for Low-light Image Enhancement [50.37253008333166]
  低照度画像強調(LLIE)タスクは、劣化した低照度画像から詳細と視覚情報を復元する傾向がある。 水平/垂直インテンシティ(HVI)と呼ばれる新しいトレーニング可能なカラー空間を提案する。 輝度と色をRGBチャネルから切り離して、拡張中の不安定性を緩和するだけでなく、トレーニング可能なパラメータによって異なる照明範囲の低照度画像にも適応する。
  論文  参考訳（メタデータ） (2024-02-08T16:47:43Z)
• 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)
• Color-NeuS: Reconstructing Neural Implicit Surfaces with Color [46.90825914361547]
  多視点画像やモノクロ映像から物体表面を再構成する手法を開発した。 我々は、リライトネットワークを介してボリュームレンダリング性能を維持しながら、ビュー依存色をニューラルボリュームレンダリングから除去する。 その結果、メッシュをカラーで再構築できる既存の手法に勝る結果となった。
  論文  参考訳（メタデータ） (2023-08-14T06:32:54Z)
• Automatic Illumination Spectrum Recovery [16.424015726846182]
  我々は,様々な照明条件下でのハイパースペクトル画像の照度スペクトルを推定する深層学習ネットワークを開発した。 実験により、トレーニングされたモデルは、照明スペクトルの正確な推定を推測できることが示されている。
  論文  参考訳（メタデータ） (2023-05-31T03:56:31Z)
• MIMT: Multi-Illuminant Color Constancy via Multi-Task Local Surface and Light Color Learning [42.72878256074646]
  単一入力画像における複数の光色を割引するマルチタスク学習手法を提案する。 複数の光色条件下で局所的な表面/光色をより正確に表現するために,我々は新しいマルチタスク学習フレームワークを設計する。 本モデルでは,マルチイルミナントデータセット上で,最先端のマルチイルミナントカラーコンステンシー法と比較して47.1%の改善を実現している。
  論文  参考訳（メタデータ） (2022-11-16T09:00:20Z)
• Learning to Structure an Image with Few Colors and Beyond [59.34619548026885]
  カラー量子化ネットワークであるColorCNNを提案し、分類損失を最小限に抑えて、限られた色空間で画像を構成することを学習する。 複数の色空間サイズ構成をサポートするColorCNN+を導入し、大色空間における認識精度の低下と望ましくない視覚的忠実度に関する過去の問題に対処する。 潜在的な応用として、ネットワーク認識のための画像圧縮手法としてColorCNNが利用可能であることを示す。
  論文  参考訳（メタデータ） (2022-08-17T17:59:15Z)
• Consistent Depth Prediction under Various Illuminations using Dilated Cross Attention [1.332560004325655]
  我々は,インターネット3D屋内シーンを用いて照明を手動で調整し,写真リアルなRGB写真とその対応する深度とBRDFマップを作成することを提案する。 異なる照明条件下での深度予測の整合性を維持するため,これらの拡張された特徴に横断的な注意を払っている。 提案手法は,Variデータセットの最先端手法との比較により評価され,実験で有意な改善が見られた。
  論文  参考訳（メタデータ） (2021-12-15T10:02:46Z)
• The Cube++ Illumination Estimation Dataset [50.58610459038332]
  本稿では,新しい照明推定データセットを提案する。 照明色が既知の4890の画像と、追加のセマンティックデータで構成されている。 データセットは、単一または2つの照度推定を実行するメソッドのトレーニングとテストに使用することができる。
  論文  参考訳（メタデータ） (2020-11-19T18:50:08Z)
• Learning to Structure an Image with Few Colors [59.34619548026885]
  そこで,カラー量子化ネットワークであるColorCNNを提案する。 1ビットのカラースペース(すなわち2色)だけで、提案されたネットワークはCIFAR10データセット上で82.1%のトップ-1の精度を達成した。 アプリケーションの場合、PNGでエンコードされた場合、提案したカラー量子化は、極低ビットレート方式の他の画像圧縮方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-17T17:56:15Z)

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。