論文の概要: MIMT: Multi-Illuminant Color Constancy via Multi-Task Learning

• arxiv url: http://arxiv.org/abs/2211.08772v2
• Date: Sat, 25 Mar 2023 09:37:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-29 01:50:06.384648
• Title: MIMT: Multi-Illuminant Color Constancy via Multi-Task Learning
• Title（参考訳）: MIMT:マルチタスク学習による多照度カラーコンテント
• Authors: Shuwei Li, Jikai Wang, Michael S. Brown, Robby T. Tan
• Abstract要約: 複数の光色における空間的変動は、色濃度の問題をより困難にする。 単一入力画像から複数の光色を推定するマルチタスク学習手法を提案する。 本モデルでは,最先端のマルチ照度カラーコンステンシー法と比較して47.1%の精度向上を実現している。
• 参考スコア（独自算出の注目度）: 49.297535205619106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The assumption of a uniform light color distribution, which holds true in single light color scenes, is no longer applicable in scenes that have multiple light colors. The spatial variability in multiple light colors causes the color constancy problem to be more challenging and requires the extraction of local surface/light information. Motivated by this, we introduce a multi-task learning method to estimate multiple light colors from a single input image. To have better cues of the local surface/light colors under multiple light color conditions, we design a multi-task learning framework with achromatic-pixel detection and surface-color similarity prediction as our auxiliary tasks. These tasks facilitate the acquisition of local light color information and surface color correlations. Moreover, to ensure that our model maintains the constancy of surface colors regardless of the variations of light colors, we also preserve local surface color features in our model. We demonstrate that our model achieves 47.1% improvement compared to a state-of-the-art multi-illuminant color constancy method on a multi-illuminant dataset (LSMI). While single light colors are not our main focus, our model also maintains a robust performance on the single illuminant dataset (NUS-8) and provides 18.5% improvement on the state-of-the-art single color constancy method.
• Abstract（参考訳）: 単一の光色シーンで真となる均一な光色分布の仮定は、複数の光色を持つシーンではもはや適用できない。 複数の光色の空間変動は、色構成問題をより困難にし、局所的な表面/光情報の抽出を必要とする。 そこで本研究では,1つの入力画像から複数の光色を推定するマルチタスク学習手法を提案する。 複数の明色条件下での局所的表面/光色の手がかりをより良くするため,無彩色画素検出と表面色類似性予測を補助タスクとしてマルチタスク学習フレームワークを設計した。 これらのタスクは、局所的な光色情報と表面色相関の取得を促進する。 また, 色の違いにかかわらず, モデルが表面色のコンタンスを維持することを保証するため, 局所的な表面色特徴も保存する。 マルチイルミナントデータセット (LSMI) 上で, 最先端のマルチイルミナントカラーコンスタンス法と比較して, 47.1%の改善が得られた。 シングルライトカラーは我々の主な焦点ではないが、我々のモデルは単一の照度データセット(NUS-8)で堅牢な性能を維持しており、最先端のシングルカラーコンステンシー法では18.5%改善されている。

関連論文リスト

• MultiColor: Image Colorization by Learning from Multiple Color Spaces [4.738828630428634]
  MultiColorは、グレースケールイメージを自動的にカラー化する学習ベースの新しいアプローチである。 我々は、個々の色空間に専用の着色モジュール群を用いる。 これらの予測色チャネルは様々な色空間を表すため、相補的なネットワークは相補性を生かし、優雅で合理的な色付き画像を生成するように設計されている。
  論文  参考訳（メタデータ） (2024-08-08T02:34:41Z)
• Control Color: Multimodal Diffusion-based Interactive Image Colorization [81.68817300796644]
  Control Color (Ctrl Color) は、事前訓練された安定拡散(SD)モデルを利用する多モードカラー化手法である。 ユーザのストロークをエンコードして、局所的な色操作を正確に行うための効果的な方法を提案する。 また、カラーオーバーフローと不正確な色付けの長年の問題に対処するために、自己注意に基づく新しいモジュールとコンテンツ誘導型変形可能なオートエンコーダを導入する。
  論文  参考訳（メタデータ） (2024-02-16T17:51:13Z)
• 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)
• Pixel-Wise Color Constancy via Smoothness Techniques in Multi-Illuminant Scenes [16.176896461798993]
  複数光源による画素ワイズ照明図を学習し,新しい多照度カラーコンスタント法を提案する。 提案手法は, 隣接する画素内のスムーズさを, 全変動損失でトレーニングを正則化することによって実施する。 さらに、エッジを保ちながら、推定画像の自然な外観を高めるために、両側フィルタを設ける。
  論文  参考訳（メタデータ） (2024-02-05T11:42:19Z)
• Diving into Darkness: A Dual-Modulated Framework for High-Fidelity Super-Resolution in Ultra-Dark Environments [51.58771256128329]
  本稿では,低照度超解像課題の性質を深く理解しようとする,特殊二変調学習フレームワークを提案する。 Illuminance-Semantic Dual Modulation (ISDM) コンポーネントを開発した。 包括的実験は、我々のアプローチが多様で挑戦的な超低照度条件に適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-09-11T06:55:32Z)
• Generative Models for Multi-Illumination Color Constancy [23.511249515559122]
  そこで本研究では,種(物理駆動)に基づく多照色濃度法を提案する。 GANを用いて照明推定問題を画像から画像へのドメイン変換問題としてモデル化する。 単照度および多照度データセットを用いた実験により,本手法がソタ法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-09-02T12:24:40Z)
• Underwater Image Enhancement via Medium Transmission-Guided Multi-Color Space Embedding [88.46682991985907]
  本稿では,Ucolor と呼ばれる媒体透過誘導多色空間埋め込みによる水中画像強調ネットワークを提案する。 当社のネットワークは、複数の色空間を埋め込むことにより、水中画像の視覚的品質を効果的に改善できます。
  論文  参考訳（メタデータ） (2021-04-27T07:35:30Z)
• Shed Various Lights on a Low-Light Image: Multi-Level Enhancement Guided by Arbitrary References [17.59529931863947]
  本稿では,マルチレベル低光度画像強調のためのニューラルネットワークを提案する。 スタイル転送にインスパイアされたこの手法は,潜在空間内の2つの低結合機能コンポーネントにイメージを分解する。 このようにして、ネットワークは一連の画像対からシーン不変および明るさ固有情報を抽出することを学ぶ。
  論文  参考訳（メタデータ） (2021-01-04T07:38:51Z)
• 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)

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。