Aprendizaje profundo de transferencia basado en coloración de imágenes utilizando VGG19 y CLAHE

Área de la Ciencia:

• Visión por Computadora
• Aprendizaje Profundo
• Procesamiento de Imágenes

Sus antecedentes:

• La coloración de imágenes es una tarea compleja de visión por computadora debido a la ambigüedad al mapear la intensidad de la escala de grises al color.
• Los métodos tradicionales a menudo requieren entrada manual o imágenes de referencia, lo que limita su autonomía.
• El aprendizaje profundo se ha convertido en una herramienta poderosa para una coloración de imágenes más confiable y automatizada.

Objetivo del estudio:

• Presentar un marco de aprendizaje profundo de transferencia para la coloración de alta calidad y eficiencia de imágenes en escala de grises.
• Aprovechar las técnicas avanzadas de aprendizaje profundo para la recoloración autónoma de imágenes.
• Mejorar la fidelidad visual y las aplicaciones prácticas de la coloración de imágenes.

Principales métodos:

• Se utilizó una red preentrenada de Visual Geometry Group (VGG19) como columna vertebral para la extracción de características, abarcando información de textura y semántica.
• Se empleó una arquitectura de red con 16 capas convolucionales y 3 totalmente conectadas.
• Se integró la ecualización adaptativa del histograma con limitación de contraste (CLAHE) como un paso de posprocesamiento para mejorar el contraste de la imagen y la viveza del color.

Principales resultados:

• El marco propuesto logró un rendimiento superior, validado por altas puntuaciones de Peak Signal-to-Noise Ratio (PSNR) e Structural Similarity Index Measure (SSIM).
• Los resultados experimentales en conjuntos de datos como ImageNet, COCO-Stuff y Places365 demostraron un rendimiento cuantitativo excepcional.
• Las evaluaciones visuales confirmaron una mejor viveza del color y un ajuste del contraste en comparación con los métodos existentes.

Conclusiones:

• El enfoque de aprendizaje profundo de transferencia ofrece una solución efectiva para la coloración de imágenes realista y eficiente.
• La integración de VGG19 y CLAHE mejora significativamente la calidad de la imagen de salida.
• El método tiene aplicaciones prácticas en la restauración de fotografías antiguas, la mejora de películas en blanco y negro y la mejora de la visualización de imágenes médicas.