经典方法和神经网络对色彩校正的性能比较

科学领域:

• 计算机视觉 计算机视觉
• 图像处理 图像处理
• 机器学习 机器学习

背景情况:

• 颜色校正将RAW相机RGB转换为标准的色彩空间,如CIE XYZ.
• 传统方法包括线性,多项式和根多项式最小平方回归.
• 神经网络 (NN) 正在成为色彩校正的替代品.

研究的目的:

• 将神经网络 (NN) 颜色校正与回归方法进行比较.
• 评估NN性能与先进的回归技术对比.
• 调查和改进NN曝光不变性,以实现强大的色彩校正.

主要方法:

• 对NN和回归 (线性,多项式,根-多项式最小平方) 模型的比较分析.
• 调整回归方法以尽量减少感知色彩误差.
• 使用数据增强和新型架构开发暴露不变的NN解决方案.
• 跨数据集培训和测试以评估模型概括性.

主要成果:

• 虽然NN比简单最小平方有所改进,但根多项式回归超越了它.
• 感知误差最小化减少了对线性最小平方的NN优势.
• NN对暴露变化敏感;提出的解决方案可以提高不变性.
• 回归方法在颜色校正准确性方面始终优于NNN,即使在不同的数据集中.

结论:

• 先进的回归技术,特别是根多项式回归技术,与当前的NN方法相比,提供了更好的色彩校正.
• 曝光不变性是NN在色彩校正中的关键挑战,通过数据增强和架构设计来解决.
• 回归方法在色彩校正中表现出更高的稳定性和更高的准确性,特别是当模型在不同的数据集上进行训练和测试时.