Mixing Paint: An analysis of color value transformations in multiple coordinate spaces using multivariate linear regression
Washington State University(华盛顿州立大学)
该研究针对颜料物理混合的颜色坐标变换问题,通过120组颜料配对实验与多元线性回归分析,对比多颜色空间拟合效果,得出CIEXYZ空间几何对称线性组合决定系数最高、RGB空间同映射均方误差更优的结论。
2024-04-01 cs.CV physics.optics
A Novel Color Image Enhancement Method by the Transformation of Color Images to 2-D Grayscale Images
The University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校);City University of New York(纽约城市大学)
提出了一种新的彩色图像增强方法,将三个或四个彩色通道的图像变换为一个通道的二维灰度图像。本文介绍了RGB和其他颜色模型中的这种变换的不同模型。彩色图像增强通过首先增强变换后的灰度图像,然后将灰度图像变换回彩色来实现。彩色图像增强是在变换后的二维灰度图像上而不是在彩色图像上进行的。从频域和时域两个方面介绍了彩色图像增强的新算法。这种新方法的增强显示出良好的效果。图像的增强是相对于被称为颜色增强度量估计(CEME)的度量来测量的。
2018-07-20 cs.CV eess.IV
Structure-preserving color transformations using Laplacian commutativity
University of Lugano(卢加诺大学)
颜色空间之间的映射在诸如色域映射、脱色和针对色盲人的图像优化的图像处理问题中是普遍存在的。简单的颜色变换通常会导致信息丢失和模糊性(例如,当从RGB映射到灰度时),并且人们希望找到一种图像特定的变换,该变换将尽可能多地保留目标颜色空间中原始图像的结构。在本文中,我们提出了拉普拉斯色彩映射,一个通用的框架结构保持图像之间的颜色变换。我们使用图像拉普拉斯算子来捕获结构信息,并表明,如果两个图像之间的颜色变换保持结构,相应的拉普拉斯算子具有相似的特征向量,或者换句话说,近似联合对角化。利用矩阵的可对角化性和交换性之间的关系,我们使用拉普拉斯交换性作为颜色映射质量的一个标准,并使其最小化w.r.t.颜色变换的参数,以实现最佳的结构保存。我们展示了我们的方法的许多应用,包括颜色到灰度转换,色域映射,多光谱图像融合,和颜色不足的观众的图像优化。
2013-11-01 cs.CV cs.GR math.SP
Rethinking Nighttime Image Deraining via Learnable Color Space Transformation
Dalian Polytechnic University(大连工业大学);Nanjing University of Science and Technology(南京理工大学);Dalian Martime University(大连 Maritime University)
针对夜间雨与光照耦合及数据不足问题,本文构建高质量 HQ-NightRain 基准,并提出带可学习色彩空间转换和隐式光照引导的 CST-Net,提升复杂夜间去雨效果。
2025-10-20 cs.CV
TransFill: Reference-guided Image Inpainting by Merging Multiple Color and Spatial Transformations
UIUC(伊利诺伊大学厄巴纳-香槟分校);Adobe Research(Adobe研究院)
图像修补是对目标图像中待去除的孔洞区域内的缺失像素进行合理恢复的任务。大多数现有技术利用图像内的补丁相似性,或利用大规模训练数据来使用学习的语义和纹理信息填充空洞。然而,由于修复任务的不适定性质,这些方法难以完成包含复杂场景的较大孔。在本文中,我们提出了TransFill,多单应性变换融合方法,以填补洞参考另一个源图像,共享场景内容与目标图像。我们首先通过估计由不同深度水平引导的多个单应性来将源图像与目标图像对齐。然后,我们学习调整颜色,并对每个单应性变形的源图像应用像素级变形,使其与目标图像更加一致。最后,一个像素级融合模块学习有选择地合并不同的建议。我们的方法在各种宽基线和色差的图像对上实现了最先进的性能,并推广到用户提供的图像对。
2021-03-29 cs.CV
Adversarial Image Color Transformations in Explicit Color Filter Space
CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心);Radboud University(拉德堡德大学)
本文提出对抗性颜色滤波器(AdvCF),在显式颜色滤波空间中进行梯度优化,实现高效且可解释的颜色变换攻击,并系统分析模型鲁棒性,优于现有方法。
2023-06-16 cs.CR cs.CV cs.LG
Alpha-rooting color image enhancement method by two-side 2-D quaternion discrete Fourier transform followed by spatial transformation
University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校);City University of New York / CSI(纽约市立大学/斯塔滕岛学院)
本文提出了一种四元数增强方法,将图像中的颜色视为单一实体。这种新的方法被称为α-生根的方法,彩色图像增强的二维四元数离散傅里叶变换(2-D QDFT),其次是一个空间变换。用二维DFT对该方法与相应的逐通道彩色图像增强算法进行了比较。将图像增强量化为基于视觉感知的增强测度,称为颜色增强测度估计(CEME)。初步实验结果表明,四元数图像增强方法是一种有效的彩色图像增强技术。
2018-07-20 cs.CV eess.IV
Chroma Clues: Leveraging Color Statistics to Detect Synthetic Images
Deutsche Forschungsgemeinschaft(德国研究基金会)
利用生成模型在颜色统计上的弱点,通过手工设计的颜色变换和学习优化的颜色变换,提出像素级或块级颜色敏感特征,实现高泛化准确率和鲁棒性的合成图像检测。
2026-06-09 cs.CV
Dual affine moment invariants
仿射变换是自然界中最常见的变换之一,是计算机视觉和形状分析领域的重要课题。而仿射变换往往同时发生在形状空间和颜色空间中,这类变换称为双仿射变换(DAT)。一般来说,我们应该分别导出不同数据格式的不变量,例如2D彩色图像,3D彩色对象,甚至更高维的数据。据我们所知,没有一个通用的框架来导出所有这些数据格式的不变量。在本文中,我们提出了一个通用的框架,以获得DAT下的M维空间中的N个通道的对象的不变矩,这可以被称为双仿射不变矩(DAMI)。在此基础上,给出了三维彩色物体DAT下DAMI的生成公式。然后,我们为阶数和度数不大于4的3D颜色对象实例化了一套完整的DAMI。最后,我们分析了这些DAMI的特点,并进行了分类实验,以评估它们的稳定性和区分度。结果表明,DAMI是强大的DAT。我们的推导框架可以适用于任何维度的数据与任何数量的通道。
2019-11-19 cs.CV
Image-to-Image Translation via Group-wise Deep Whitening-and-Coloring Transformation
Korea University(高丽大学);LG Electronics(LG电子);Hanyang University(汉阳大学)
最近,无监督的基于样本的图像到图像的翻译,条件是一个给定的样本没有配对的数据,已经取得了实质性的进展。为了将信息从样本转移到输入图像,现有方法通常使用归一化技术,例如,自适应实例归一化,其控制特定层处的输入激活图的通道方式统计,诸如均值和方差。同时,风格传递本质上接近于图像翻译,通过使用高阶统计量(如通道间的协方差)来表示风格,表现出优越的性能。详细地说,它通过白化(给定零均值输入特征,将其协方差矩阵转换为恒等式)来工作。然后着色(将白化特征的协方差矩阵改变为样式特征的协方差矩阵)。然而,由于昂贵的时间复杂度及其非平凡的反向传播,将这种方法应用于图像翻译是计算密集型的并且容易出错。作为回应,本文提出了一种端到端的方法,专门为图像翻译,有效地近似这种变换与我们的新的正则化方法。我们进一步扩展我们的方法,以组明智的形式,内存和时间效率以及图像质量。大量的定性和定量实验表明,我们提出的方法是快速的,无论是在训练和推理,并高度有效地反映一个样本的风格。最后,我们的代码可以在https://github.com/WonwoongCho/GDWCT上找到。
2019-06-09 cs.CV
On the properties of some low-parameter models for color reproduction in terms of spectrum transformations and coverage of a color triangle
Institute for Information Transmission Problems(信息传输问题研究所);Moscow Institute of Physics and Technology(莫斯科物理技术学院);Huawei Technologies(华为技术有限公司)
解决颜色再现问题的经典方法之一,如颜色自适应或颜色空间变换,是使用低参数光谱模型。这种方法的优点是能够选择模型应该具有的一组属性,无论是颜色三角形的大覆盖区域,光谱加法或乘法的准确描述,只知道对应于它们的三色刺激。缺点是,所提到的光谱模型的一些属性仅通过实验证实。这项工作致力于理论证实的各种性质的谱模型。特别地,我们证明了带状模型是唯一同时具有加法和乘法闭包性质的模型。我们还表明,高斯模型是冯米塞斯模型的极限情况下,并证明了冯米塞斯模型的protomers集明确覆盖的颜色三角形在凸和非凸的光谱轨迹的情况下。
2021-10-21 cs.CV cs.GR
Supervised and Unsupervised Learning of Parameterized Color Enhancement
Tel Aviv University(特拉维夫大学);Tel-Aviv University(特拉维夫大学);Facebook AI Research(脸书人工智能研究院)
我们把颜色增强的问题作为一个图像翻译任务,我们处理使用监督和无监督学习。与传统的图像到图像生成器不同,我们的翻译是使用全局参数化颜色变换来执行的,而不是学习直接映射图像信息。在监督的情况下,每个训练图像与期望的目标图像配对,并且卷积神经网络(CNN)从专家修饰的图像学习变换的参数。在未配对的情况下,我们采用双向生成对抗网络(GANs)来学习这些参数并应用循环约束。在MIT-Adobe FiveK基准测试中,与监督(配对数据)和非监督(非配对数据)图像增强方法相比,我们实现了最先进的结果。此外,我们展示了我们的方法的泛化能力,通过将其应用于20世纪初的照片和黑暗的视频帧。
2019-12-30 cs.CV
Robustness and Imperceptibility Enhancement in Watermarked Images by Color Transformation
Isfahan University of Technology(伊斯法罕理工大学)
数字水印技术是保护数字媒体版权所有权的有效方法之一。不同的水印技术试图在鲁棒性和过程的透明性之间进行权衡。在这项研究工作中,我们使用颜色空间转换和频率变换,以实现高鲁棒性和透明度。由于图像信息分布在RGB域,我们使用YUV颜色空间,它将视觉信息集中在Y通道。水印的嵌入在特定小波子带的DCT系数中执行。实验结果表明,该方法具有较高的透明性和鲁棒性.
2019-11-02 cs.CR cs.CV cs.MM
3D non-rigid registration using color: Color Coherent Point Drift
University of Alicante(阿利坎特大学);Univ. of Edinburgh(爱丁堡大学)
近年来,利用计算机视觉技术对物体变形的研究一直处于激烈的研究之中。一种广泛使用的技术是3D非刚性配准,以估计变形结构的两个实例之间的变换。尽管在这一问题上有许多先前的发展,但它仍然是一个具有挑战性的问题。在本文中,我们提出了一种新的方法来非刚性配准结合两个数据空间,以鲁棒地计算两个数据集之间的对应关系和转换。特别是,我们使用点颜色和3D位置,因为这些是RGB-D相机的常见输出。我们提出了颜色相干点漂移(CCPD)算法(CPD方法的扩展[1])。使用合成和真实数据进行评估。合成数据包括允许评估噪声、离群值和缺失数据的影响的简单形状。此外,使用Blensor获得的逼真的数字进行评价。使用通用Primesense胭脂红传感器采集的真实数据用于验证真实形状的CCPD。对于所有的测试,所提出的方法相比,在大多数情况下,在注册精度显示更好的结果,原来的CPD。
2018-02-05 cs.CV
GLUT: 3D Gaussian Lookup Table for Continuous Color Transformation
Computer Vision Center(计算机视觉中心);Universitat Autònoma de Barcelona(巴塞罗那自治大学)
本文提出GLUT,一种连续且显式的颜色表示方法,通过学习的3D高斯基元建模颜色变换,实现灵活的表示能力和紧凑的内存占用,并支持高效的用户友好编辑。
2026-05-19 cs.CV cs.GR
FCDFusion: a Fast, Low Color Deviation Method for Fusing Visible and Infrared Image Pairs
本文提出FCDFusion方法,直接在RGB空间通过三维色彩向量缩放和伽马校正实现快速可见光与红外图像融合,每像素仅需7 FLOPs,在保持低色彩偏差的同时以一半计算成本获得更高对比度,并提出新的色彩偏差度量指标。
2024-08-02 cs.CV
Person Re-identification Method Based on Color Attack and Joint Defence
Fujian Normal University(福建师范大学)
ReID的主要挑战是在不同相机条件下由颜色偏差引起的类内变化。同时,我们发现大多数现有的对抗性度量攻击是通过干扰样本的颜色特征来实现的。基于这一观察,我们首先提出了一种基于颜色变化的局部变换攻击(LTA)。它使用更明显的颜色变化来随机干扰检索图像的颜色,而不是添加随机噪声。实验结果表明,该方法的性能优于先进的攻击方法。此外,考虑到轮廓特征是对抗训练鲁棒性的主要因素,而颜色特征将直接影响攻击的成功率。因此,我们进一步提出了联合对抗防御(JAD)方法,包括主动防御和被动防御。主动防御融合多模态图像增强轮廓特征和颜色特征,并考虑局部同态变换解决过拟合问题。被动防御利用图像缩放过程中轮廓特征的不变性,以减轻对抗者对轮廓特征的干扰。最后,通过一系列的实验结果表明,本文提出的联合对抗防御方法比现有的方法更具竞争力。
2022-06-14 cs.CV
Automatic Image Transformation for Inducing Affect
当前的图像变换和图像匹配算法试图基于目标图像的用户输入或预先设计的滤波器的选择在拍摄的图像中引入艺术效果。这些操作虽然旨在增强图像对观看者的影响,但不包括通过指定影响信息进行图像变换的选项。在本文中,我们提出了一种自动的图像变换方法,转换的源图像,使它可以引起观众的情感影响,如用户所需的。我们提出的新的图像情感转移算法不需要用户指定的目标图像。该算法利用从深度卷积神经网络顶层提取的特征和用户指定的情感分布,从图像数据库中选择多个目标图像进行颜色变换,使得得到的图像具有期望的情感效果。我们的方法可以处理更多样化的一组照片比以前的方法。我们进行了详细的用户研究,显示我们所提出的方法的有效性。失败的情况下,也提供了一个讨论和推理,指出固有的局限性的颜色转移为基础的方法在使用的情感分配。项目页面:http://im.itu.edu.pk/affective-image-transfer/
2021-08-07 cs.CV
A Content Transformation Block For Image Style Transfer
Heidelberg Collaboratory for Image Processing, IWR, Heidelberg University(海德堡大学图像处理器协作实验室(Heidelberg Collaboratory for Image Processing, IWR, Heidelberg University), 海德堡大学图像处理器协作实验室(IWR), 海德堡大学(Heidelberg University))
风格转移最近受到了很多关注,因为它允许研究图像理解和合成中的基本挑战。最近的工作显着提高了颜色和纹理的表示和计算速度和图像分辨率。然而,图像内容的显式转换大多被忽视:虽然艺术风格影响图像的形式特征,如颜色,形状或纹理,但它也会变形,添加或删除内容细节。本文明确地集中在内容和风格感知的风格化的内容图像。因此,我们在编码器和解码器之间引入了内容转换模块。此外,我们利用类似的内容出现在照片和风格样本,以了解如何风格改变内容的细节,我们推广到其他类的细节。此外,这项工作提出了一种新的归一化层的高分辨率图像合成的关键。我们的模型的鲁棒性和速度,使视频风格化的实时和高清晰度。我们进行了广泛的定性和定量评估,以证明我们的方法的有效性。
2020-03-18 cs.CV
Illumination-based Transformations Improve Skin Lesion Segmentation in Dermoscopic Images
Simon Fraser University(西蒙弗雷泽大学)
皮肤病变的语义分割是皮肤镜图像计算机辅助诊断中一项重要而常见的初始任务。尽管基于深度学习的方法已经大大提高了分割准确性,但通过解决主要挑战(例如病变形状、大小、颜色和对比度水平的变化),仍有改进的空间。在这项工作中,我们提出了第一个深度语义分割框架皮肤镜图像,它结合了,随着原始RGB图像,信息提取使用的物理皮肤照明和成像。特别是,我们将信息从特定的色带,照明不变的灰度图像,和阴影衰减的图像。我们在三个数据集上评估了我们的方法:ISBI ISIC 2017皮肤病变分割挑战数据集,DermoFit图像库和PH2数据集,并观察到平均Jaccard指数分别比仅用RGB图像训练的基线模型提高了12.02%,4.30%和8.86%。
2020-03-23 cs.CV
Artistic Enhancement and Style Transfer of Image Edges using Directional Pseudo-coloring
C3.ai(C3.ai公司)
计算图像的梯度是计算机视觉流水线中的常见步骤。图像梯度量化图像中边缘的幅度和方向,并用于为下游机器学习任务创建特征。通常,图像梯度被表示为灰度图像。本文介绍了方向伪着色,一种方法,颜色的图像梯度在一个深思熟虑的和连贯的方式。通过用图像梯度方向对图像梯度幅值进行伪着色,可以增强图像边缘的视觉质量,实现对原图像的艺术变换。此外,我们提出了一个简单的样式传输管道,它从样式图像中学习颜色映射,然后通过定向伪着色技术将该颜色映射应用于内容图像的边缘。算法和实验的代码可在https://github.com/shouvikmani/edge-colorizer上获得。
2019-06-19 cs.CV
Adversarial Image Generation by Spatial Transformation in Perceptual Colorspaces
Middle East Technical University(中东技术大学)
本文提出一种在感知色彩空间(如 $YC_{b}C_{r}$ 和 $CIELAB$)中通过独立改变色度通道像素位置的空间变换生成对抗图像的方法,在白盒攻击下取得了高置信度欺骗率和良好的感知距离表现。
2023-10-21 cs.CV eess.IV
Transforming and Projecting Images into Class-conditional Generative Networks
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Adobe Research(Adobe 研究院)
我们提出了一种将输入图像投影到类条件生成神经网络空间的方法。我们提出了一种方法,优化转换,以抵消模型偏差生成神经网络。具体来说,我们证明了在投影优化过程中可以解决图像平移,缩放和全局颜色变换,以解决生成对抗网络的对象中心偏差和颜色偏差。这个投影过程提出了一个困难的优化问题,纯粹基于梯度的优化无法找到好的解决方案。我们描述了一种混合优化策略,通过估计变换和类参数找到良好的预测。我们展示了我们的方法在真实图像上的有效性,并进一步展示了相应的投影如何导致这些图像更好的可编辑性。
2020-08-27 cs.CV
Color2Embed: Fast Exemplar-Based Image Colorization using Color Embeddings
Baidu Inc.(百度公司);University of Chinese Academy of Sciences(中国科学院大学)
在本文中,我们提出了一个快速的基于样本的图像彩色化方法,使用颜色嵌入命名为Color 2 Embed。通常,由于输入图像和真实图像对的获取困难,很难用无监督、不成对的训练方式训练基于样本的彩色化模型。当前的算法通常努力实现两个过程:i)检索大量具有高相似度的参考图像以用于准备训练数据集,这不可避免地是耗时和繁琐的; ii)设计复杂的模块以通过计算和利用参考图像的颜色与目标图像之间的深层语义对应(例如,非本地操作),这在测试期间是计算昂贵的。与以前的方法相反,我们采用了自增强自参考学习方案,其中参考图像是由原始彩色图像的图形变换生成的,从而可以以配对的方式制定训练。其次,为了减少处理时间,我们的方法显式地提取颜色嵌入,并利用渐进式特征变换网络,将颜色嵌入注入到最终图像的重建中。这样的设计更加轻巧和易于理解,实现了具有快速处理速度的吸引人的性能。
2021-08-24 cs.CV cs.MM
A Color Image Analysis Tool to Help Users Choose a Makeup Foundation Color
School of Electrical and Computer Engineering, Purdue University(普渡大学电气与计算机工程学院);MIME Inc.(MIME公司)
本研究提出一种基于素颜照和粉底液色号图预测上妆肤色的方法,通过色卡校准结合监督学习模型,实现粉底液色号的辅助选择,经交叉验证两种回归模型均有准确预测效果。
2024-07-08 cs.CV
Free-Lunch Color-Texture Disentanglement for Stylized Image Generation
Harbin Institute of Technology, China(哈尔滨工业大学);VCIP, CS, Nankai University, China(南开大学);Computer Vision Center, Spain(西班牙计算机视觉中心);Universitat Autònoma de Barcelona, Spain(巴塞罗那自治大学);Program of Computer Science, City University of Hong Kong (Dongguan), China(香港城市大学(东莞)计算机科学系);City University of Hong Kong, HK SAR, China(香港城市大学)
本文提出无需调优的SADis方法,通过分离颜色-纹理嵌入提升风格化图像生成的精度与定制能力。
2025-12-12 cs.CV
Deep Preset: Blending and Retouching Photos with Color Style Transfer
Hosei University(法政大学)
没有摄影知识的最终用户希望美化他们的照片,使其具有类似的颜色风格,作为精心修饰的参考。然而,近年来的影像风格转换作品中对风格的定义是不恰当的。他们通常合成不良的结果,由于转移确切的颜色到错误的目的地。在肖像画等敏感案件中,情况更糟。在这项工作中,我们专注于学习低层次的图像变换,特别是颜色偏移的方法,而不是混合上下文功能,然后提出了一种新的方案,训练颜色风格的转移与地面真理。此外,我们提出了一个颜色风格转移命名为深预置。它被设计为1)将表示从具有自然颜色的内容到修饰参考的颜色变换的特征概括,然后将其混合到内容的上下文特征中,2)预测所应用的低级颜色变换方法的超参数(设置或预设),3)使风格内容具有相似的颜色风格作为参考。我们编写了一个强大的照片编辑工具Lightning,使用Flick 2K数据集中的1,200张图像和500个用户生成的带有69个设置的训练样本来生成60万个训练样本。实验结果表明,我们的深度预设优于以前的作品在颜色风格转移定量和定性。
2021-01-02 cs.CV cs.GR cs.LG
Learning Invariant Color Features for Person Re-Identification
Nanyang Technological University(南洋理工大学);Advanced Digital Sciences Center(先进数字科学中心)
在多个摄像机视图中匹配人被称为人重新识别,这是一个具有挑战性的问题,因为变化的照明条件会导致视觉外观的变化。主体的感知颜色似乎相对于照明是不同的。以前的作品使用颜色,或者通过设计专注于特定线索的颜色空间来解决这些挑战。在本文中,我们提出了一种数据驱动的方法来学习颜色模式从像素采样的图像在两个摄像机视图。这项工作背后的直觉是,即使相同颜色的像素值在视图中会有所不同,它们也应该用相同的值进行编码。我们将颜色特征生成建模为一个学习问题,通过联合学习线性变换和字典来编码像素值。我们还分析了不同的光度不变的颜色空间。使用颜色作为唯一的线索,我们比较我们的方法与所有的光度不变的颜色空间,并显示出优越的性能。结合其他学习的低级和高级特征,我们在Viper,Person Re-ID 2011和CAVIAR 4 REID数据集上获得了有希望的结果。
2014-10-09 cs.CV
Enhancing Visual Prompting through Expanded Transformation Space and Overfitting Mitigation
NTT Tokyo, Japan(日本NTT东京)
ACAVP通过引入互补变换操作和数据增强方法,提升视觉提示的表达能力和鲁棒性,实现更准确的下游任务适应。
2026-01-29 cs.CV
Automatic Data Augmentation Learning using Bilevel Optimization for Histopathological Images
ÉTS Montréal(蒙特利尔高等技术学院);ServiceNow Research(ServiceNow研究院)
针对组织病理学图像分类中数据增强需领域知识、选择成本高的问题,提出基于双层优化与截断反向传播的自动数据增强学习方法,在六个数据集上表现优于预定义增强和RandAugment。
2023-07-21 cs.CV
StainNet: a fast and robust stain normalization network
Huazhong University of Science and Technology(华中科技大学);Hubei Maternal and Child Health Hospital(湖北省妇幼保健院)
染色归一化通常是指将源图像的颜色分布转换为目标图像的颜色分布,在生物医学图像分析中得到了广泛的应用。传统的染色归一化被认为是构建一个逐像素的颜色映射模型,只依赖于一幅参考图像,不能准确实现图像数据集之间的风格转换。由于其复杂的网络结构,原则上,这种风格转换可以通过基于深度学习的方法很好地解决,然而,其复杂的结构导致了计算效率低和风格转换中的伪影,这限制了实际应用。在这里,我们使用蒸馏学习来降低深度学习方法的复杂性,并使用一个快速而强大的网络来学习源图像和目标图像之间的颜色映射。CNONet可以从整个数据集中学习颜色映射关系,并以像素到像素的方式调整颜色值。像素到像素的方式限制了网络大小,避免了样式转换中的伪影。细胞病理学和组织病理学数据集的结果表明,CNONet可以实现与基于深度学习的方法相当的性能。计算结果表明,RISKNet的速度比RISKGAN快40倍以上,可以在40秒内规范化100,000 × 100,000的整张幻灯片图像。
2021-07-24 cs.CV eess.IV
High-dimensional Assisted Generative Model for Color Image Restoration
Nanchang University(南昌大学)
本文提出了一种无监督的深度学习方案,利用高维辅助的基于分数的生成模型进行彩色图像恢复任务。考虑到分数生成模型中样本数和内部维数对数据分布梯度估计的影响,提出了两种不同的高维方法:通道复制变换增加样本数和像素尺度变换降低可行空间维数。随后,一组由这些变换表示的高维张量被用来通过去噪得分匹配来训练网络。然后,通过退火Langevin动力学和替代数据一致性更新进行采样。此外,为了减轻学习高维表示的困难,提出了一种渐进的策略,以利用性能。与其他数据驱动方法相比,所提出的无监督学习和迭代恢复算法涉及预训练的生成网络以获得先验,具有透明和清晰的解释。去马赛克和修复的实验结果传达了显着的性能和多样性,我们提出的方法。
2021-08-14 cs.CV cs.LG eess.IV
Learning Physics-Informed Color-Aware Transforms for Low-Light Image Enhancement
Hong Kong Baptist University(香港浸会大学)
针对低光照图像增强中颜色预测不一致和对光谱功率分布变化敏感的问题,提出PiCat框架,通过CAT转换为光照不变描述符,结合CNDN优化分布,在五个基准数据集上性能优于现有方法。
2025-04-16 cs.AI cs.CV
Image Enhancement Based on Pigment Representation
The Catholic University of Korea(韩国天主教大学);Jeonbuk National University(全北国立大学);Pukyong National University(浦项国立大学)
该研究提出基于颜料表征的图像增强方法,将RGB颜色转换到高维颜料空间经重投影融合后再转回RGB,参数由视觉编码器自适应估计,在多项图像增强任务中性能优于现有最优方法且计算开销低、模型小。
2025-10-03 cs.CV eess.IV
Adversarial Learning of General Transformations for Data Augmentation
École de Technologie Supérieure(高等工程技术学院);Element AI
数据增强(DA)是大型卷积神经网络中防止过拟合的基础,特别是在训练数据集有限的情况下。在图像中,DA通常基于启发式变换,如几何或颜色变换。我们的工作不是使用预定义的变换,而是通过学习使用与空间Transformer网络相结合的编码器-解码器架构来变换图像,直接从训练数据中学习数据增强。变换后的图像仍然属于同一类,但对于分类器来说是新的、更复杂的样本。我们的实验表明,我们的方法是优于以前的生成数据增强方法,并与预定义的变换方法训练图像分类器。
2019-09-21 cs.CV stat.ML
Improved visible to IR image transformation using synthetic data augmentation with cycle-consistent adversarial networks
Jet Propulsion Laboratory, California Institute of Technology(加州理工学院喷气推进实验室)
红外(IR)图像对于提高黑暗或隐藏物体的可见度至关重要。基于神经网络的目标识别和分割使用红外图像提供比彩色可见光图像更高的准确性和洞察力。但瓶颈是用于训练的相关红外图像的数量。为了特殊的目的,包括空间探索、军事和消防应用,很难采集真实世界的红外图像。为了解决这个问题,我们使用基于Unity的3D游戏编辑器创建了彩色可见光和红外图像。这些合成生成的彩色可见光和红外图像用于训练周期一致对抗网络(CycleGAN)以将可见光图像转换为红外图像。CycleGAN的优点是它不需要精确匹配可见光和IR对进行转换训练。在这项研究中,我们发现额外的合成数据可以帮助提高CycleGAN的性能。使用真实数据(N = 20)的神经网络训练比使用真实(N = 10)和合成(N = 10)数据组合的训练执行更准确的转换。结果表明,合成数据的质量不能超过真实数据的质量。使用真实(N = 10)和合成(N = 100)数据组合的神经网络训练显示出与使用真实数据(N = 20)训练几乎相同的性能。至少需要比真实数据多10倍的合成数据才能实现相同的性能。总之,CycleGAN与合成数据一起使用,以提高可见光图像的IR图像转换性能。
2019-04-25 cs.CV cs.LG eess.IV
Learning Color Grading, No Photo Sharing: Federated Aesthetic Preference Learning for Personalized Image Enhancement
FedPAIE框架通过联邦学习在不集中用户私人照片的情况下,实现了个性化图像增强,平衡了用户偏好与图像保真度,效果良好。
2026-07-31 cs.AI cs.CV cs.DC
Deep learning-based color holographic microscopy
University of California, Los Angeles(加州大学洛杉矶分校);David Geffen School of Medicine, University of California, Los Angeles(加州大学洛杉矶分校大卫·格芬医学院)
我们报告了一个基于生成对抗网络(GAN)的框架,该框架使用同时被三种不同波长的光照射的样品的单个全息图来执行高保真彩色图像重建。经过训练的网络学习消除与缺失相位相关的伪影,并为重建图像生成准确的颜色变换。我们的框架是实验证明使用肺和前列腺组织切片,标记有不同的组织学染色。该框架被设想为适用于即时护理组织病理学,并提出了一个显着的改进,在吞吐量的相干显微镜系统,只有一个单一的全息图的标本是需要准确的彩色成像。
2019-07-15 cs.CV cs.LG eess.IV