admin管理员组

文章数量:1534506

2024年6月13日发(作者：)

DenseCL 颜色恒常性

色彩恒常性是摄像机流水线中消除场景光照引起的图像偏色的一个重

要过程。近年来，利用深度神经网络（DNNs）在色彩恒常性精度方面取

得了显著的提高。

然而，现有的基于DNN的颜色恒定性方法学习不同摄像机的不同映

射，这需要对每个摄像机设备进行昂贵的数据采集过程。本文开创性地将

多领域学习引入到色彩恒常性领域。对于不同的摄像机设备，我们训练了

一个共享同一特征提取和光源估计器的网络分支，并且只使用摄像机特有

的信道重加权模块来适应摄像机特有的特性。

这种多域学习策略使我们能够从跨设备的训练数据中获益。提出的多

域学习颜色恒常性方法在三个常用的基准数据集上取得了最新的性能。

此外，我们也在少数镜头的颜色恒常性设定下验证了所提出的方法。

给定一个新的不可见设备和有限数量的训练样本，我们的方法能够提供准

确的颜色恒常性，只需学习相机特定参数从少数镜头数据集。

人类视觉系统自然具有对场景中不同光源进行补偿的能力，称为色彩

恒常性。相机拍摄的图像的颜色很容易受到不同光源的影响，在阳光下可

能呈现“蓝色”，在室内白炽灯下则呈现“黄色”。为了从捕获的图像中

估计场景的亮度，颜色恒定性是摄像机流水线中校正捕获图像颜色的一个

重要单元。

经典的颜色恒常性方法利用图像统计或物理特性来估计场景的光源。

这些方法的性能高度依赖于假设，如果假设不成立，这些方法就会动摇

[31]。在过去的十年中，另一类方法，即基于学习的方法，变得越来越流

行。基于早期学习的方法[20,15]采用手工制作的特征，只从训练数据中

学习估计函数。受深部神经网络（DNN）在其他低水平视觉任务中的成

功[25，24，16，38]的启发，最近提出了基于DNN的方法[9，37，26]

联合学习图像表示和估计函数，并达到了最先进的估计精度。

本文标签： 方法摄像机颜色图像学习

版权声明：本文标题：DenseCL 颜色恒常性 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://m.elefans.com/dongtai/1718279228a661911.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。