Fugu-MT 論文翻訳(概要): SAFE: Scene-Aware Feature Modulation for Color Constancy with Learned Color Space in Pure-Color Scenes

論文の概要: SAFE: Scene-Aware Feature Modulation for Color Constancy with Learned Color Space in Pure-Color Scenes

arxiv url: http://arxiv.org/abs/2608.13967v1
Date: Fri, 14 Aug 2026 05:31:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-17 20:14:29.287945
Title: SAFE: Scene-Aware Feature Modulation for Color Constancy with Learned Color Space in Pure-Color Scenes
Title（参考訳）: SAFE:純色シーンにおける色空間を学習した色空間に対するシーン認識特徴変調
Abstract要約: 照明キューを構造化した4トークン表現に整理する,シーン対応フェーチュア変調ネットワークSAFEを提案する。また,SAFEは純色シーンの性能を常に向上させることを示した。
参考スコア（独自算出の注目度）: 10.600940761244734
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Color constancy on pure-color scenes is challenging: when most pixels share a narrow band of hues, every chromaticity-based cue collapses to a single point and standard estimators become ambiguous. We propose a compact framework that couples two innovations: (i) SAFE, a Scene-Aware FeaturE modulation network that organizes illumination cues into a structured four-token representation, which is then selectively reweighted based on scene complexity features; (ii) the Learned Color Space (LCS), a scene-dependent chromaticity normalization that directly addresses the chromaticity collapse problem for pure-color scenes. Experiment results show that SAFE consistently improves performance in pure-color scenes. Compared to the best-performing baseline in each metric, it reduces the mean angular error by 10%, the best-25% error by 20%, and the worst-25% error by 5.8%.
Abstract（参考訳）: 純粋な色のシーンにおける色の一貫性は、ほとんどのピクセルが狭い帯を共有している場合、すべての色度ベースのキューは1点に崩壊し、標準推定器は曖昧になる。我々は2つのイノベーションを結合するコンパクトなフレームワークを提案する。 (i)SAFEは、照明キューを構造化した4つのトーケン表現に整理し、シーンの複雑さの特徴に基づいて選択的に重み付けするシーン対応FeaturE変調ネットワークである。 (II)学習色空間(LCS)は、純色シーンの色度崩壊問題に直接対処するシーン依存の色度正規化である。実験結果から,SAFEは純色シーンの性能を一貫して改善することが示された。平均角誤差を10%減らし、最高25%の誤差を20%減らし、最悪の25%の誤差を5.8%減らした。

関連論文リスト

LightMover: Generative Light Movement with Color and Intensity Controls [49.259165408623915]
LightMoverは、単一のイメージで制御可能な光操作のためのフレームワークである。ビデオ拡散先行は、シーンを再レンダリングすることなく、物理的に妥当な照明変化をもたらす。
論文参考訳（メタデータ） (2026-03-28T09:51:59Z)
VIRGi: View-dependent Instant Recoloring of 3D Gaussians Splats [53.602701067430075]
3DGSでモデル化されたシーンの色を高速に編集する新しいアプローチであるVIRGiを紹介する。 1人のユーザーの重みを微調整することで、色編集はシーン全体にわずか2秒でシームレスに伝達される。多様なデータセットに対する徹底的な検証は、競合相手に対する有意義な量的および質的な進歩を示している。
論文参考訳（メタデータ） (2026-03-03T13:41:17Z)
Dataset Color Quantization: A Training-Oriented Framework for Dataset-Level Compression [56.02211851256951]
モデルトレーニングに不可欠な情報を保存しながら、色空間の冗長性を低減し、視覚データセットを圧縮する統合フレームワークを提案する。 CIFAR-10、CIFAR-100、Tiny-ImageNet、ImageNet-1Kでの実験では、DCQは攻撃的な圧縮下でのトレーニング性能を著しく改善している。
論文参考訳（メタデータ） (2026-02-24T07:53:58Z)
Perception-Inspired Color Space Design for Photo White Balance Editing [20.114221919949603]
ホワイトバランス(WB)は、画像信号プロセッサ(ISP)パイプラインにおける重要なステップである。本稿では,知覚にインスパイアされたLearable HSI(LHSI)色空間を利用するWB補正のための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2025-12-10T07:27:16Z)
CAST-LUT: Tokenizer-Guided HSV Look-Up Tables for Purple Flare Removal [23.950152572091543]
分離されたHSVルックアップテーブル(LUT)上に構築された新しいネットワークを提案する。本手法は,Hue (H), Saturation (S), Value (V)コンポーネントを独立に調整することで,色補正を簡略化することを目的とする。我々のモデルは、視覚効果において既存の手法を著しく上回るだけでなく、あらゆる定量的指標に対して最先端のパフォーマンスも達成する。
論文参考訳（メタデータ） (2025-11-10T06:45:03Z)
GCC: Generative Color Constancy via Diffusing a Color Checker [10.283908511005176]
本稿では,カラーチェッカーをカラーチェッカーに塗布した拡散モデルを用いて照明推定を行うGCCを提案する。主なイノベーションは,(1)シーン照明を反映したカラーチェッカーを描画する単一ステップ決定論的推論手法,(2)照明に依存したカラー適応を許容しつつ構造を保存するラプラシアン分解手法,(3)カラーチェッカーアノテーションを扱うためのマスクベースのデータ拡張戦略である。
論文参考訳（メタデータ） (2025-02-24T18:59:54Z)
Guided Real Image Dehazing using YCbCr Color Space [25.771316524011382]
本稿では, YCbCr のRGB よりも優れた構造特性を生かした新規な構造ガイドデハジングネットワーク (SGDN) を提案する。効果的な教師付き学習のために,実世界適応型Hazeデータセットを導入する。実験により,本手法は複数の実世界の煙・煙・煙のデータセットにまたがって既存の最先端手法を超越していることが示された。
論文参考訳（メタデータ） (2024-12-23T11:53:06Z)
A New Cross-Space Total Variation Regularization Model for Color Image Restoration with Quaternion Blur Operator [20.00683294783224]
カラー画像の劣化に対する新しいクロススペース全変動(CSTV)正規化モデルを提案する。解の存在と特異性が証明され、異なる色空間上で正規化項のバランスを求める新しいL曲線法が提案される。カラー画像データベースに関する数値実験は、新しいモデルとアルゴリズムの有効性と有効性を示している。
論文参考訳（メタデータ） (2024-05-20T15:29:26Z)
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)
Learning Enriched Illuminants for Cross and Single Sensor Color Constancy [182.4997117953705]
ネットワークをトレーニングするためのクロスセンサ自己教師型トレーニングを提案する。センサに依存しない方法で人工発光体をランダムにサンプリングすることでネットワークを訓練する。実験により、我々のクロスセンサモデルとシングルセンサーモデルは、他の最先端手法よりも大きなマージンで優れていることが示された。
論文参考訳（メタデータ） (2022-03-21T15:45:35Z)
CLCC: Contrastive Learning for Color Constancy [8.418901567909499]
カラー一貫性のための新しいコントラスト学習フレームワークであるCLCCを提案する。我々は,新規な原ドメインカラー増色法により,照度依存性の優れた特徴を学習するための効果的なコントラストペアを構築した。提案手法は,上位のディープラーニング手法と比較して,パラメータを3倍に抑えることで,Gehlerデータセット上での競合性能を実現する。
論文参考訳（メタデータ） (2021-06-09T11:16:31Z)
Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。 LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
論文参考訳（メタデータ） (2021-03-19T04:00:27Z)

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。