Fugu-MT 論文翻訳(概要): Mixing Paint: An analysis of color value transformations in multiple coordinate spaces using multivariate linear regression

論文の概要: Mixing Paint: An analysis of color value transformations in multiple coordinate spaces using multivariate linear regression

arxiv url: http://arxiv.org/abs/2406.15364v1
Date: Mon, 1 Apr 2024 17:26:39 GMT
ステータス: 処理完了
システム内更新日: 2024-07-01 07:21:03.977854
Title: Mixing Paint: An analysis of color value transformations in multiple coordinate spaces using multivariate linear regression
Title（参考訳）: 混合塗料:多変量線形回帰を用いた複数座標空間における色値変換の解析
Authors: Alexander Messick,
Abstract要約: 120対の16色をテストし、線形回帰を使って入力パラメータの最も正確な組み合わせを見つけました。 I found that the fit with the highest coefficient of determination was a geometryally symmetrized linear combination of the color in CIEXYZ space。
参考スコア（独自算出の注目度）: 55.2480439325792
License: http://creativecommons.org/licenses/by/4.0/
Abstract: I explore the mathematical transformation that occurs in color coordinate space when physically mixing paints of two different colors. I tested 120 pairs of 16 paint colors and used a linear regression to find the most accurate combination of input parameters, both in RGB space and several other color spaces. I found that the fit with the strongest coefficient of determination was a geometrically symmetrized linear combination of the colors in CIEXYZ space, while this same mapping in RGB space returns a better mean squared error.
Abstract（参考訳）: 2つの異なる色の塗料を物理的に混合する際に、色座標空間で起こる数学的変換について検討する。私は120対の16色をテストし、線形回帰を使ってRGB空間と他の色空間の両方で入力パラメータの最も正確な組み合わせを見つけました。 I found that the fit with the highest coefficient of determination was a geometryly symmetrized linear combination of the color in CIEXYZ space, this same mapping in RGB space will return a better mean squared error。

関連論文リスト

Learning Color Equivariant Representations [1.9594704501292781]
色変化に同値なグループ畳み込みニューラルネットワーク(GCNN)を導入する。 GCNNは、2次元と3次元の回転群からスケールのような半群への様々な幾何学的変換のために設計されている。
論文参考訳（メタデータ） (2024-06-13T21:02:03Z)
Rethinking RGB Color Representation for Image Restoration Models [55.81013540537963]
各画素に局所的な近傍構造情報を保持するために表現を拡大する。画素あたりの損失に対する表現空間の置換は、画像復元モデルのトレーニングを容易にする。私たちの空間は、色と局所構造の両方を再構築することで、全体的なメトリクスを一貫して改善します。
論文参考訳（メタデータ） (2024-02-05T06:38:39Z)
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)
Hybrid Model-based / Data-driven Graph Transform for Image Coding [54.31406300524195]
予測内残差ブロックを符号化するハイブリッドモデルベース/データ駆動方式を提案する。変換行列の最初の$K$固有ベクトルは、安定性のための非対称離散正弦変換(ADST)のような統計モデルから導かれる。 WebPをベースライン画像として使用することにより、我々のハイブリッドグラフ変換は、デフォルトの離散コサイン変換(DCT)よりもエネルギーの圧縮が良く、KLTよりも安定性がよいことを示す。
論文参考訳（メタデータ） (2022-03-02T15:36:44Z)
Colored Point Cloud to Image Alignment [15.828285556159026]
そこで本研究では,カラーマッチングと幾何マッチングにより,色付き点雲を所定の色画像に整列する微分最適化手法を提案する。カメラ画像と点雲の色との変換は、点雲の相対的な位置と一致した色とのマッチングを繰り返すことによって行う。
論文参考訳（メタデータ） (2021-10-07T08:12:56Z)
ProLab: perceptually uniform projective colour coordinate system [0.0]
proLabは、STRESSメトリックによって評価された知覚的均一性に応じて、広く使用されているCIE座標システムよりはるかに先です。線形色空間の標準である色度推定の角誤差は、proLabでも使用できます。
論文参考訳（メタデータ） (2020-12-14T15:49:57Z)
CoRe: Color Regression for Multicolor Fashion Garments [80.57724826629176]
本稿では,RGBの正確な値を予測するために,色検出を回帰問題として扱う。新たに提案したアーキテクチャの洗練のための第2のレグレッションステージも含んでいます。このアーキテクチャはモジュラーであり、多色衣料のすべての色のRGBを検出するために容易に拡張される。
論文参考訳（メタデータ） (2020-10-06T16:12:30Z)
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)
Color-complexity enabled exhaustive color-dots identification and spatial patterns testing in images [0.6299766708197881]
我々は,RGB と HSV という3つのカラーコーディネート間の高関連性に基づく新しい色識別アルゴリズムを開発した。精密農業におけるドローンによる化学噴霧を模倣した画像に,本研究の展開を例証する。
論文参考訳（メタデータ） (2020-07-28T21:06:12Z)
Bi-directional Cross-Modality Feature Propagation with Separation-and-Aggregation Gate for RGB-D Semantic Segmentation [59.94819184452694]
深度情報はRGBD画像のセマンティックセグメンテーションにおいて有用であることが証明されている。既存のほとんどの研究は、深度測定がRGBピクセルと正確で整合していると仮定し、問題をモーダルな特徴融合としてモデル化している。本稿では,RGB特徴量応答を効果的に再検討するだけでなく,複数の段階を通して正確な深度情報を抽出し,代わりに2つの補正表現を集約する,統一的で効率的なクロスモダリティガイドを提案する。
論文参考訳（メタデータ） (2020-07-17T18:35:24Z)

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。