論文の概要: Color Mismatches in Stereoscopic Video: Real-World Dataset and Deep Correction Method
- arxiv url: http://arxiv.org/abs/2303.06657v3
- Date: Thu, 8 Aug 2024 14:34:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-09 21:29:15.716754
- Title: Color Mismatches in Stereoscopic Video: Real-World Dataset and Deep Correction Method
- Title（参考訳）: 立体映像における色ミスマッチ:実世界のデータセットと深部補正法
- Authors: Egor Chistov, Nikita Alutis, Dmitriy Vatolin,
- Abstract要約: 色のミスマッチの存在は、視聴者の不快感や頭痛につながる可能性がある。
従来の手法は品質を欠くことが多く、ニューラルネットベースの手法は人工データに簡単に適合する。
本稿では,ステレオ対応を利用して色ミスマッチ補正課題を解く,深層マルチスケールニューラルネットワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stereoscopic videos can contain color mismatches between the left and right views due to minor variations in camera settings, lenses, and even object reflections captured from different positions. The presence of color mismatches can lead to viewer discomfort and headaches. This problem can be solved by transferring color between stereoscopic views, but traditional methods often lack quality, while neural-network-based methods can easily overfit on artificial data. The scarcity of stereoscopic videos with real-world color mismatches hinders the evaluation of different methods' performance. Therefore, we filmed a video dataset, which includes both distorted frames with color mismatches and ground-truth data, using a beam-splitter. Our second contribution is a deep multiscale neural network that solves the color-mismatch-correction task by leveraging stereo correspondences. The experimental results demonstrate the effectiveness of the proposed method on a conventional dataset, but there remains room for improvement on challenging real-world data.
- Abstract（参考訳）: 立体視ビデオは、カメラの設定やレンズ、さらには異なる位置から捉えた物体の反射の微妙な変化のために、左右の視界の色のミスマッチを含むことができる。
色のミスマッチの存在は、視聴者の不快感や頭痛につながる可能性がある。
この問題は立体ビュー間で色を転送することで解決できるが、従来の手法では品質が欠けることが多い。
実世界の色ミスマッチによる立体映像の不足は、異なる手法の性能評価を妨げている。
そこで我々は,ビームスプリッターを用いて,色ミスマッチ付き歪んだフレームと接地構造データの両方を含むビデオデータセットを作成した。
第2のコントリビューションは、ステレオ対応を活用することで、カラーミスマッチ補正タスクを解決する、ディープマルチスケールニューラルネットワークである。
実験により,提案手法が従来のデータセットに対して有効であることを示すが,実世界のデータに挑戦するための改善の余地は残されている。
関連論文リスト
- LatentColorization: Latent Diffusion-Based Speaker Video Colorization [1.2641141743223379]
ビデオのカラー化における時間的一貫性を実現するための新しいソリューションを提案する。
既存の手法と比較して,確立された画像品質指標の大幅な改善を示す。
我々のデータセットは、テレビ/映画からの従来のデータセットとビデオの組み合わせを含んでいる。
論文 参考訳（メタデータ） (2024-05-09T12:06:06Z) - Color Recognition in Challenging Lighting Environments: CNN Approach [0.0]
研究者は、コンピュータビジョンの応用のための色検出技術を強化するために取り組んでいる。
この問題に対処するために,畳み込みニューラルネットワーク(CNN)に基づく色検出手法を提案する。
本手法は照明条件の異なる色検出の堅牢性を大幅に向上させることができることを実験的に検証した。
論文 参考訳（メタデータ） (2024-02-07T11:26:00Z) - 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) - The Change You Want to See (Now in 3D) [65.61789642291636]
本稿の目的は、同じ3Dシーンの2つの「野生」画像の間で何が変わったかを検出することである。
我々は,全合成データに基づいて学習し,クラスに依存しない変化検出モデルに貢献する。
我々は,人間に注釈を付けた実世界のイメージペアによる評価データセットを新たにリリースした。
論文 参考訳（メタデータ） (2023-08-21T01:59:45Z) - Cross-Camera Deep Colorization [10.254243409261898]
本稿では,カラープラスモノデュアルカメラシステムからの画像の整列と融合を行う,エンドツーエンドの畳み込みニューラルネットワークを提案する。
提案手法は,約10dBPSNRゲインの大幅な改善を継続的に達成する。
論文 参考訳（メタデータ） (2022-08-26T11:02:14Z) - Detecting Recolored Image by Spatial Correlation [60.08643417333974]
画像のリカラー化は、画像の色値を操作して新しいスタイルを与える、新たな編集技術である。
本稿では,空間相関の観点から,従来型と深層学習による再色検出の汎用的検出能力を示す解を探索する。
提案手法は,複数のベンチマークデータセット上での最先端検出精度を実現し,未知の種類の再色法を適切に一般化する。
論文 参考訳（メタデータ） (2022-04-23T01:54:06Z) - Revisiting Domain Generalized Stereo Matching Networks from a Feature
Consistency Perspective [65.37571681370096]
両視点にまたがる単純な画素単位のコントラスト学習を提案する。
ドメイン間の立体的特徴一貫性をよりよく維持するために、立体選択的白化損失を導入する。
提案手法は,複数の最先端ネットワークよりも優れた性能を実現する。
論文 参考訳（メタデータ） (2022-03-21T11:21:41Z) - A Deep Learning Approach for Digital ColorReconstruction of Lenticular
Films [8.264186103325725]
レンチキュラー映画は1920年代に登場し、フルカラー情報をモーションで捉えることを許した最初の技術の一つとなった。
本研究では,レンチキュラーフィルムのスキャン処理とカラー化を行う自動化された完全ディジタルパイプラインを提案する。
提案手法は,再現されたカラー画像が符号化されたカラー情報と真に一致することを確認しながら,性能を最大化するために,ディープラーニングとモデルに基づくアプローチを融合する。
論文 参考訳（メタデータ） (2022-02-10T11:08:50Z) - Temporally Consistent Video Colorization with Deep Feature Propagation
and Self-regularization Learning [90.38674162878496]
時間的に一貫した新しいビデオカラー化フレームワーク(TCVC)を提案する。
TCVCは、フレームレベルの深い特徴を双方向的に効果的に伝播し、色付けの時間的一貫性を高める。
実験により,本手法は視覚的に満足な色付きビデオを得るだけでなく,最先端の手法よりも時間的整合性が得られることが示された。
論文 参考訳（メタデータ） (2021-10-09T13:00:14Z) - Watching the World Go By: Representation Learning from Unlabeled Videos [78.22211989028585]
近年の単一画像教師なし表現学習技術は,様々なタスクにおいて顕著な成功を収めている。
本稿では,この自然な拡張を無償で提供することを論じる。
そこで本稿では,ビデオノイズコントラスト推定(Voice Noise Contrastive Estimation)を提案する。
論文 参考訳（メタデータ） (2020-03-18T00:07:21Z)
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。