論文の概要: Human vs Objective Evaluation of Colourisation Performance
- arxiv url: http://arxiv.org/abs/2204.05200v1
- Date: Mon, 11 Apr 2022 15:43:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-12 16:49:12.083445
- Title: Human vs Objective Evaluation of Colourisation Performance
- Title（参考訳）: 彩色性能の人間対客観的評価
- Authors: Se\'an Mullery and Paul F. Whelan
- Abstract要約: この研究は、一般的に使われている客観的尺度が人間の意見とどのように相関しているかを評価する。
BSDデータセットから得られた20の画像に対して、ローカルおよびグローバルな変更からなる65のリカラー化を作成します。
評価スコアは、Amazon Mechanical Turkを使ってクラウドソースされ、画像とともにヒューマン評価カラー化データセットを形成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic colourisation of grey-scale images is the process of creating a
full-colour image from the grey-scale prior. It is an ill-posed problem, as
there are many plausible colourisations for a given grey-scale prior. The
current SOTA in auto-colourisation involves image-to-image type Deep
Convolutional Neural Networks with Generative Adversarial Networks showing the
greatest promise. The end goal of colourisation is to produce full colour
images that appear plausible to the human viewer, but human assessment is
costly and time consuming. This work assesses how well commonly used objective
measures correlate with human opinion. We also attempt to determine what facets
of colourisation have the most significant effect on human opinion. For each of
20 images from the BSD dataset, we create 65 recolourisations made up of local
and global changes. Opinion scores are then crowd sourced using the Amazon
Mechanical Turk and together with the images this forms an extensible dataset
called the Human Evaluated Colourisation Dataset (HECD). While we find
statistically significant correlations between human-opinion scores and a small
number of objective measures, the strength of the correlations is low. There is
also evidence that human observers are most intolerant to an incorrect hue of
naturally occurring objects.
- Abstract（参考訳）: グレースケール画像の自動色付けは、グレースケール以前のフルカラー画像を作成するプロセスである。
グレースケール以前の色は多種多様であるため、不適切な問題である。
自動カラー化における現在のSOTAは、イメージ・ツー・イメージ型のDeep Convolutional Neural NetworksとGenerative Adversarial Networksが最大の約束を示している。
色付けの最終目標は、人間のビューアーにもっとも適しているように見えるフルカラー画像を作成することだが、人間の評価はコストと時間を要する。
この研究は、一般的に使用される客観的指標が人間の意見とどのように相関するかを評価する。
我々はまた、色彩化の面が人間の意見に最も大きな影響を与えるかを決定することを試みる。
BSDデータセットから得られた20の画像に対して、ローカルおよびグローバルな変更からなる65のリカラー化を作成します。
評価スコアはAmazon Mechanical Turkを使ってクラウドソースされ、画像とともにHuman Evaluated Colourisation Dataset(HECD)と呼ばれる拡張可能なデータセットを形成する。
統計的に有意な相関関係は人対人対人得点と少数の客観的尺度の間にあるが,相関関係の強さは低い。
人間の観察者は、自然に発生する物の不正確な色相に最も寛容である証拠もある。
関連論文リスト
- Evaluating Multiview Object Consistency in Humans and Image Models [68.36073530804296]
我々は、物体の形状に関するゼロショット視覚的推論を必要とする認知科学の実験的設計を活用する。
我々は500人以上の参加者から行動データの35万件の試行を収集した。
次に、一般的な視覚モデルの性能を評価する。
論文 参考訳（メタデータ） (2024-09-09T17:59:13Z) - Comparative Analysis Of Color Models For Human Perception And Visual Color Difference [0.0]
この研究は、RGB、HSV、HSL、XYZ、CIELAB、CIELUVなどの色モデルを評価し、人間の色知覚の正確性を評価する。
画像処理では,デジタルデザインから品質管理に至るまで,色差の正確な評価が不可欠である。
論文 参考訳（メタデータ） (2024-06-27T20:41:49Z) - UniHuman: A Unified Model for Editing Human Images in the Wild [49.896715833075106]
実環境における画像編集の複数の側面に対処する統一モデルUniHumanを提案する。
モデルの生成品質と一般化能力を向上させるために,人間の視覚エンコーダからのガイダンスを利用する。
ユーザスタディでは、UniHumanは平均して77%のケースでユーザに好まれる。
論文 参考訳（メタデータ） (2023-12-22T05:00:30Z) - Incorporating Ensemble and Transfer Learning For An End-To-End
Auto-Colorized Image Detection Model [0.0]
本稿では,移動学習とアンサンブル学習の利点を組み合わせた新たな手法を提案する。
提案したモデルは、94.55%から99.13%の精度で有望な結果を示す。
論文 参考訳（メタデータ） (2023-09-25T19:22:57Z) - What's color got to do with it? Face recognition in grayscale [9.252410144412089]
最先端のディープCNNフェイスマーカは通常、カラーフェイスイメージの広範なトレーニングセットを使用して作成される。
本研究は、トレーニングセットのグレースケールまたはカラーバージョンでトレーニングした場合、そのようなマーカがほぼ同一の精度に達することを明らかにした。
より浅いモデルは、複雑な表現をモデル化する能力に欠けており、色に関連するような低レベルの特徴に強く依存している。
論文 参考訳（メタデータ） (2023-09-11T00:32:26Z) - Astronomical Image Colorization and upscaling with Generative
Adversarial Networks [0.0]
本研究の目的は、非常に特定の画像領域、すなわち天文学的な画像に焦点をあてることにより、この問題に自動的アプローチを提供することである。
我々は、RGBとL*a*bという2つの異なる色空間における様々なモデルの使用について検討する。
このモデルは、画像に存在しない高解像度で色付けされたデータを幻覚させる視覚的に魅力的な画像を生成する。
論文 参考訳（メタデータ） (2021-12-27T19:01:20Z) - 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) - Appearance Consensus Driven Self-Supervised Human Mesh Recovery [67.20942777949793]
単眼画像から人間のポーズや形状を推定する自己教師付きメッシュ回復フレームワークを提案する。
標準モデルに基づく3次元ポーズ推定ベンチマークの最先端結果を得る。
その結果、色付きメッシュ予測により、ポーズや形状推定以外にも、さまざまな外観関連タスクにフレームワークの使用が開放される。
論文 参考訳（メタデータ） (2020-08-04T05:40:39Z) - Semantic-driven Colorization [78.88814849391352]
最近の着色は、白黒画像の着色を学習しながら意味情報を暗黙的に予測する。
そこで本研究では,まず,人間の動作をシミュレートして,画像の理解を学習し,色づけする。
論文 参考訳（メタデータ） (2020-06-13T08:13:30Z) - 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)
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。