論文の概要: Leveraging Color Naming for Image Enhancement

• arxiv url: http://arxiv.org/abs/2607.08185v1
• Date: Thu, 09 Jul 2026 07:35:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.441309
• Title: Leveraging Color Naming for Image Enhancement
• Title（参考訳）: 画像強調のためのカラーナーミングの活用
• Abstract要約: 私たちはColor Namingの概念にインスパイアされたアプローチであるNamedCurves+を紹介します。 提案手法は,色名を学習ベースのフレームワークに統合し,音色曲線を通じて各色を大域的に調整する。 トーン曲線は、各色名が拡張にどのように貢献するかを明確に表すため、どちらのアプローチも説明可能である。
• 参考スコア（独自算出の注目度）: 34.712865491880095
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Enhancing images to make them visually appealing is a persistent challenge in computer vision. Many deep-learning methods train models on paired datasets to replicate expert editing styles. However, these approaches struggle with two key issues: (1) interpretability and (2) a parametrization suitable for user adjustments. To address these challenges, we present NamedCurves+, an approach inspired by the concept of Color Naming, a universal set of familiar colors widely used in software tools for intuitive editing. Our method integrates color names into a learning-based framework, enabling global adjustments for each named color through tone curves. To address local image variations, we incorporate a transformer block that captures spatial dependencies, enabling context-aware edits across the image. NamedCurves+ enhances the retouching process's interpretability and supports user interaction, allowing flexible modifications of individual tone curves to refine the retouched image according to personal preferences. Extensive experiments on tasks such as image retouching, tone mapping, and exposure correction demonstrate that NamedCurves+ outperforms state-of-the-art methods. Notably, our approach is both explainable, as the tone curves explicitly represent how each color name contributes to the enhancement, and interactive, allowing users to customize the retouching process and achieve results tailored to their liking.
• Abstract（参考訳）: 画像を視覚的に魅力的にするために強調することは、コンピュータビジョンにおいて永続的な課題である。 多くのディープラーニング手法は、専門家の編集スタイルを再現するためにペア化されたデータセット上でモデルを訓練する。 しかし,これらの手法は,(1)解釈可能性と(2)ユーザ調整に適したパラメータ化という2つの重要な問題に対処する。 これらの課題に対処するために、我々はColor Namingの概念に触発されたNamedCurves+を紹介した。 提案手法は,色名を学習ベースのフレームワークに統合し,音色曲線を通じて各色を大域的に調整する。 局所的な画像の変動に対処するために、空間的依存関係をキャプチャするトランスフォーマーブロックを組み込み、画像全体のコンテキスト認識編集を可能にする。 NamedCurves+は、リタッチプロセスの解釈可能性を高め、ユーザインタラクションをサポートし、個々のトーンカーブの柔軟な修正を可能にし、個人の好みに応じてリタッチされたイメージを洗練させる。 画像のリタッチ、トーンマッピング、露出補正といったタスクに対する大規模な実験は、namedCurves+が最先端の手法より優れていることを示している。 音色曲線は、各色名が拡張にどのように貢献するかを明確に表現し、対話的であり、ユーザーは修正プロセスをカスタマイズし、好みに合わせて結果を達成できる。

関連論文リスト

• Content-Adaptive Image Retouching Guided by Attribute-Based Text Representation [53.196155487850746]
  本稿では,Attribute-based Text Representation (CA-ATP) によるコンテンツ適応型画像修正手法を提案する。 具体的には,複数のカラーマッピング関係を確立するために,一連の基底曲線を利用するコンテンツ適応型曲線マッピングモジュールを提案する。 さらに,複数の画像属性からテキスト表現を生成する属性テキスト予測モジュールを提案する。
  論文  参考訳（メタデータ） (2025-12-10T12:15:50Z)
• Color3D: Controllable and Consistent 3D Colorization with Personalized Colorizer [58.94607850223466]
  静的な3Dシーンと動的な3Dシーンの両方をモノクロ入力から色づけする、高度に適応可能なフレームワークであるColor3Dを提案する。 当社のアプローチは、クロスビューとクロスタイムの一貫性を確保しながら、カラー多様性とステアビリティを維持できます。
  論文  参考訳（メタデータ） (2025-10-11T10:21:19Z)
• RetouchLLM: Training-free Code-based Image Retouching with Vision Language Models [76.79706360982162]
  トレーニング不要なホワイトボックス画像リタッチシステムであるRetouchLLMを提案する。 高解像度の画像に直接、解釈可能でコードベースのリタッチを実行する。 我々のフレームワークは、人間がマルチステップのリタッチを行う方法と同じような方法で、徐々に画像を強化する。
  論文  参考訳（メタデータ） (2025-10-09T10:40:49Z)
• DreamColour: Controllable Video Colour Editing without Training [80.90808879991182]
  直感的なインタフェースにより、正確な映像色編集を可能にする訓練不要のフレームワークを提案する。 色編集の空間的側面と時間的側面を分離することにより、ユーザの自然なワークフローをより良く整合させることができる。 当社のアプローチは、トレーニングや特別なハードウェアの必要性を排除しつつ、最先端の手法に適合または超越しています。
  論文  参考訳（メタデータ） (2024-12-06T16:57:54Z)
• ColorEdit: Training-free Image-Guided Color editing with diffusion model [23.519884152019642]
  画像編集タスクにはテキスト・ツー・イメージ(T2I)拡散モデルが採用されており、顕著な有効性を示している。 しかし, テキストプロンプトから, 物体のクロスアテンションマップと新たな色属性との衝突や注意漏れにより, テキスト誘導画像編集法では物体の色が変化しない可能性がある。 本稿では,物体の色を微調整や訓練を必要とせず,手軽で安定的で効果的な画像誘導手法を提案する。
  論文  参考訳（メタデータ） (2024-11-15T14:45:58Z)
• NamedCurves: Learned Image Enhancement via Color Naming [35.01034487051896]
  そこで我々は,学習に基づく画像強調手法であるnamedCurvesを提案する。 提案手法では,各色をトーンカーブでグローバルに調整し,空間的編集を模倣するために注意に基づく融合機構を用いて画像を組み合わせる。
  論文  参考訳（メタデータ） (2024-07-13T13:51:25Z)
• Language-based Photo Color Adjustment for Graphic Designs [38.43984897069872]
  画像のリカラー化のための対話型言語ベースのアプローチを提案する。 本モデルでは,ソース色と対象領域を予測し,与えられた言語に基づく指示に基づいて,対象領域をソース色で再色することができる。
  論文  参考訳（メタデータ） (2023-08-06T08:53:49Z)
• Exemplar-Based Image Colorization with A Learning Framework [7.793461393970992]
  学習フレームワークを用いた自動着色手法を提案する。 カラー化過程と学習過程を分離し、同一のグレー画像に対して様々なカラースタイルを生成する。 最先端のカラー化アルゴリズムに匹敵する性能を達成している。
  論文  参考訳（メタデータ） (2022-09-13T07:15:25Z)
• Supervised and Unsupervised Learning of Parameterized Color Enhancement [112.88623543850224]
  我々は、教師なし学習と教師なし学習の両方を用いて、画像翻訳タスクとしての色強調の問題に取り組む。 我々は,MIT-Adobe FiveKベンチマークにおいて,教師付き(ペアデータ)と教師なし(ペアデータ)の2つの画像強調手法と比較して,最先端の結果が得られた。 20世紀初頭の写真や暗黒ビデオフレームに応用することで,本手法の一般化能力を示す。
  論文  参考訳（メタデータ） (2019-12-30T13:57:06Z)

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。