論文の概要: Influence of Color Spaces for Deep Learning Image Colorization
- arxiv url: http://arxiv.org/abs/2204.02850v1
- Date: Wed, 6 Apr 2022 14:14:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-07 14:01:45.796326
- Title: Influence of Color Spaces for Deep Learning Image Colorization
- Title（参考訳）: 深層学習画像のカラー化における色空間の影響
- Authors: Coloma Ballester, Aur\'elie Bugeau, Hernan Carrillo, Micha\"el
Cl\'ement, R\'emi Giraud, Lara Raad, Patricia Vitoria
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.3705923859070217
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Colorization is a process that converts a grayscale image into a color one
that looks as natural as possible. Over the years this task has received a lot
of attention. Existing colorization methods rely on different color spaces:
RGB, YUV, Lab, etc. In this chapter, we aim to study their influence on the
results obtained by training a deep neural network, to answer the question: "Is
it crucial to correctly choose the right color space in deep-learning based
colorization?". First, we briefly summarize the literature and, in particular,
deep learning-based methods. We then compare the results obtained with the same
deep neural network architecture with RGB, YUV and Lab color spaces.
Qualitative and quantitative analysis do not conclude similarly on which color
space is better. We then show the importance of carefully designing the
architecture and evaluation protocols depending on the types of images that are
being processed and their specificities: strong/small contours, few/many
objects, recent/archive images.
- Abstract（参考訳）: カラー化は、グレースケールの画像をできるだけ自然に見える色に変換するプロセスである。
長年にわたり、この仕事は多くの注目を集めてきた。
既存のカラー化手法は、rgb、yuv、labなど、異なる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た結果に対するその影響について,「深層学習に基づくカラー化において,適切な色空間を正しく選択することは不可欠か」という問いに答えることを目的とする。
まず,文献を簡潔に要約し,特に深層学習に基づく手法について述べる。
次に、同じディープニューラルネットワークアーキテクチャで得られた結果を、RGB、YUV、Labの色空間と比較する。
定性的かつ定量的な分析は、どの色空間が良いかも同様に結論しない。
次に,処理対象の画像の種類や特異性に応じて,アーキテクチャや評価プロトコルを慎重に設計することの重要性を示す。
関連論文リスト
- Name Your Colour For the Task: Artificially Discover Colour Naming via
Colour Quantisation Transformer [62.75343115345667]
そこで本研究では,色空間を定量化しつつ,画像上での認識を維持しつつ,色空間を定量化する新しい色量子化変換器CQFormerを提案する。
人工色システムと人間の言語における基本色用語との一貫性のある進化パターンを観察する。
我々のカラー量子化法は、画像記憶を効果的に圧縮する効率的な量子化法も提供する。
論文 参考訳（メタデータ） (2022-12-07T03:39:18Z) - 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) - TUCaN: Progressively Teaching Colourisation to Capsules [13.50327471049997]
TUCaN(Tiny UCapsNet)という新しいダウンサンプリングアップサンプリングアーキテクチャを提案する。
我々は,色を量化空間内のビンとして識別するピクセルごとの色分類タスクとして,この問題に対処する。
ネットワークをトレーニングするために、標準的なエンドツーエンド学習法とは対照的に、オブジェクトのコンテキストを抽出するプログレッシブラーニング方式を提案する。
論文 参考訳（メタデータ） (2021-06-29T08:44:15Z) - Assessing The Importance Of Colours For CNNs In Object Recognition [70.70151719764021]
畳み込みニューラルネットワーク(CNN)は相反する性質を示すことが示されている。
CNNが予測をしながら色情報に大きく依存していることを実証します。
congruent, greyscale, incongruent画像の合同画像で学習したモデルを評価する。
論文 参考訳（メタデータ） (2020-12-12T22:55:06Z) - 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) - Image Colorization: A Survey and Dataset [78.89573261114428]
本稿では,最先端の深層学習に基づく画像着色技術に関する包括的調査を行う。
既存の着色技法を7つのクラスに分類し、その性能を規定する重要な要因について論じる。
既存のデータセットと新しいデータセットを用いて、既存の画像のカラー化手法を広範囲に実験的に評価する。
論文 参考訳（メタデータ） (2020-08-25T01:22:52Z) - Instance-aware Image Colorization [51.12040118366072]
本稿では,インスタンス認識のカラー化を実現する手法を提案する。
我々のネットワークアーキテクチャは、市販のオブジェクト検出器を利用して、収穫されたオブジェクト画像を取得する。
類似したネットワークを用いて、フルイメージの特徴を抽出し、融合モジュールを適用して最終色を予測する。
論文 参考訳（メタデータ） (2020-05-21T17:59:23Z) - 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。