Bag of Color Features For Color Constancy
Tampere University（坦佩雷大学）；Aarhus University（奥胡斯大学）；Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；INTEL（英特尔）
在本文中，我们提出了一种新的颜色恒定性的方法，称为袋的颜色特征（BoCF），建立在袋的特征池。所提出的方法大大减少了照明估计所需的参数的数量。同时，所提出的方法与颜色恒定性假设一致，即全局空间信息与照明估计和局部信息（边缘等）无关。就足够了此外，BoCF与颜色恒定性统计方法一致，并且可以被解释为许多统计方法的基于学习的概括。为了进一步提高光照估计精度，提出了一种新的基于自注意的两变量BoCF模型注意力机制. BoCF方法及其变体与最先进的方法相比，具有竞争力，同时在三个基准数据集上需要更少的参数：Colorecommended，INTEL-TUT版本2和NUS 8。
2019-06-11 cs.CV
CroP: Color Constancy Benchmark Dataset Generator
Faculty of Electrical Engineering and Computing（电气与计算机工程学院）；University of Zagreb（萨格勒布大学）
在当代数码相机中，实现颜色恒定性作为预处理步骤是非常重要的，因为它消除了场景照明对物体颜色的影响。为了开发和测试新的颜色恒常性方法，已经创建了几个基准颜色恒常性数据集。然而，他们都有许多缺点，包括少量的图像，错误地提取地面实况照明，长期的历史误用，违反其规定的假设等，为了克服这样的和类似的问题，本文提出了一个颜色恒定性基准数据集生成器。对于给定的相机传感器，它能够生成在真实世界的子集中拍摄的任何数量的真实原始图像，即打印照片的图像。具有这些图像的数据集与其他现有的真实世界数据集共享许多积极特征，而一些消极特征则被完全消除。生成的图像可以成功地用于训练方法，然后在现实世界的数据集上实现高精度。这为为高级深度学习技术创建足够大的数据集开辟了道路。实验结果进行了介绍和讨论。源代码可在http://www.fer.unizg.hr/ipg/resources/color_constancy/上获得。
2019-03-29 cs.CV
MIMT: Multi-Illuminant Color Constancy via Multi-Task Local Surface and Light Color Learning
National University of Singapore（新加坡国立大学）；York University（约克大学）；Yale-NUS College（耶鲁-新加坡国立大学学院）
针对多光源场景下传统单光源颜色恒常性方法失效的问题，提出含消色差像素检测等辅助任务的多任务框架与局部特征保留方案，在LSMI数据集上较SOTA提升47.1%。
2023-08-22 cs.CV
Approaching the Computational Color Constancy as a Classification Problem through Deep Learning
Yonsei University（延世大学）
计算颜色恒常性是指计算光源颜色的问题，使得在变化的照明下的场景的图像可以被归一化为在规范照明下的图像。在本文中，我们采用深度学习框架来解决光照估计问题。该方法在场景均匀光照的假设下工作，目标是精确的光源颜色计算。具体来说，我们训练了卷积神经网络，通过将颜色恒定性问题转换为照明分类问题来解决该问题。我们设计了深度学习架构，以便网络的输出可以直接用于计算照明的颜色。实验结果表明，我们的深度网络能够提取有用的照明估计特征，并且我们的方法在多个测试数据集上的性能优于所有以前的颜色恒定性方法。
2016-08-29 cs.CV
Fast Fourier Color Constancy
Google（谷歌）
我们提出了快速傅立叶颜色恒定性（FFCC），解决了照明估计的颜色恒定性算法，通过减少它的空间定位任务的环面。通过在频域中操作，FFCC产生的出错率比先前的现有技术低13-20%，同时快250-3000倍。这种非传统的方法引入了有关混叠，方向统计和预处理，我们解决的挑战。通过在光源上产生完整的后验分布而不是单个光源估计，FFCC可以实现更好的训练技术，有效的时间平滑技术和更丰富的误差分析方法。我们实现的FFCC运行在移动终端上每秒约700帧，允许它被用作一个准确的，实时的，时间相干的自动白平衡算法。
2020-08-13 cs.CV
Color Constancy Convolutional Autoencoder
Tampere University（坦佩雷大学）；Aarhus University（奥胡斯大学）；Intel Corporation（英特尔公司）
在本文中，我们研究的重要性，预训练的泛化能力的颜色恒常性问题。我们提出了两种基于卷积自编码器的新方法：使用微调编码器的无监督预训练算法和使用新型复合损失函数的半监督预训练算法。这使我们能够解决数据稀缺问题，并实现具有竞争力的最先进的结果，同时在ColorectorRecommended数据集上需要更少的参数。我们进一步研究了最近推出的版本的INTEL-TUT数据集相机不变的颜色恒定性研究，其中有现场和非现场场景采集的三种不同的相机模型上的过拟合现象。
2019-06-04 cs.CV
White-Balance First, Adjust Later: Cross-Camera Color Constancy via Vision-Language Evaluation
National University of Singapore（国立新加坡大学）；ASUS Intelligent Cloud Services（ASUS智能云服务）
本文提出VLM-CC框架，通过视觉-语言模型评估实现跨相机颜色恒常性的迭代反馈优化，利用感知反馈替代直接RGB回归，提升鲁棒性。
2026-05-19 cs.CV
Cross-Camera Convolutional Color Constancy
Google Research（谷歌研究）；York University（约克大学）
我们提出了“跨相机卷积颜色恒定性”（C5），这是一种基于学习的方法，在来自多个相机的图像上进行训练，该方法可以从训练过程中从未见过的新相机捕获的原始图像中准确估计场景的光源颜色。C5是卷积颜色恒定性（CCC）方法的超网络扩展：C5学习生成CCC模型的权重，然后在输入图像上进行评估，CCC权重动态适应不同的输入内容。与之前的跨相机颜色恒定性模型不同，这些模型通常被设计为对来自未观察到的相机的测试集图像的光谱特性不可知，C5通过转导推理的镜头来解决这个问题：在测试时提供额外的未标记图像作为模型的输入，这允许模型在推理期间将自己校准到测试集相机的光谱特性。C5在多个数据集上实现了跨相机颜色恒定性的最新精度，评估速度快（GPU或CPU上的每张图像分别为约7和约90 ms），并且需要很少的内存（约2 MB），因此是解决移动摄影免校准自动白平衡问题的实用解决方案。
2022-02-11 cs.CV
Multi-color balance for color constancy
Tokyo Metropolitan University（东京都立大学）
在本文中，我们提出了一种新的多色平衡调整的颜色恒常性。所提出的方法称为“n-颜色平衡”，不仅允许我们根据相应的地面真实颜色完美地校正n个目标颜色，而且还可以校正n个颜色以外的颜色。相比之下，虽然白平衡可以完美地调整白色，但白色以外的颜色通常不在白平衡的框架中考虑。在实验中，所提出的多色平衡被证明优于传统的白色和多色平衡调整，包括布拉德福德的模型。
2021-05-21 cs.CV
Color Constancy with Derivative Colors
Xidian University（西安电子科技大学）；Hong Kong University of Science and Technology（香港科技大学）
关于光源颜色的信息很好地包含在非彩色区域和高光区域的镜面反射分量中。在本文中，我们提出了一种新的方法来实现颜色恒常利用这些线索。我们的方法的关键在于使用适当提取的衍生颜色，这是能够计算的光源颜色鲁棒核密度估计。虽然从非彩色区域提取衍生颜色以近似光源颜色基本上是简单的，但我们在高光区域中提取的成功归因于二色反射模型中漫射和镜面反射幅度的不同变化率。所提出的方法不需要训练阶段，并且易于实现。更重要的是，它在数据库间参数设置下表现得相当令人满意。在三个标准数据库上的实验结果表明，与现有方法相比，该方法具有良好的性能。
2016-11-25 cs.CV
Semantic White Balance: Semantic Color Constancy Using Convolutional Neural Network
York University（约克大学）
计算颜色恒常性的目标是通过消除场景照明引起的色偏效应来保持物体在不同光照条件下的感知颜色。随着基于深度学习的技术的快速发展，图像语义分割取得了重大进展。在这项工作中，我们利用语义信息与输入图像的颜色和空间信息，以消除偏色。我们训练一个卷积神经网络（CNN）模型，该模型学习根据给定图像的语义信息估计光源颜色和伽马校正参数。实验结果表明，向CNN提供语义信息可以显著改善结果，将错误减少40%以上。
2019-05-31 cs.CV
CCMNet: Leveraging Calibrated Color Correction Matrices for Cross-Camera Color Constancy
Yonsei University（延世大学）；AI Center - Toronto, Samsung Electronics（三星电子AI中心-多伦多）
CCMNet通过利用预校准色彩校正矩阵实现跨相机色彩恒定，采用紧凑的相机指纹嵌入和数据增强技术，在保持轻量级的同时达到最佳性能。
2025-12-15 cs.CV
INTEL-TUT Dataset for Camera Invariant Color Constancy Research
INTEL（英特尔）
在本文中，我们提供了一个新的数据集设计的相机不变的颜色恒常性的研究。相机不变性对应于算法在由不同相机拍摄的相同场景的图像上运行时的性能的鲁棒性。因此，数据库中的图像对应于几个实验室和现场场景，每个场景由三个不同的相机以最小的配准误差捕获。实验室场景也在五种不同的照明下拍摄。还提供了相机的光谱响应和实验室光源的光谱功率分布，因为它们可能证明有利于训练未来的算法以实现颜色恒定性。为了对未来的方法进行公平的评估，我们为有监督的方法提供了指导方针，并指出了训练，验证和测试分区。因此，我们评估了最近提出的基于卷积神经网络的颜色恒常性算法作为未来研究的基线。作为附带贡献，该数据集还包括由移动相机拍摄的图像，具有颜色阴影校正和未校正的结果。这也允许研究颜色阴影的效果。
2017-03-31 cs.CV
Deep Structured-Output Regression Learning for Computational Color Constancy
Tampere University of Technology（坦佩雷理工大学）；Intel Finland（英特尔芬兰公司）；Czech Technical University（捷克理工大学）
在计算机视觉中，计算颜色恒常性是一个基本而又活跃的问题，它需要估计图像的光源颜色，可以用回归问题来表示。为了学习一个鲁棒的颜色恒常性回归，获得有意义的图像特征和捕获输出变量之间的潜在相关性起着至关重要的作用。在这项工作中，我们引入了一种新的深度结构化输出回归学习框架，以同时实现这两个目标。通过借用最初为视觉识别设计的深度卷积神经网络（CNN）的能力，所提出的框架可以自动发现用于在不同照明条件下进行白平衡的强特征，并学习超越特征和目标之间的潜在关系的多输出回归量，以找到目标变量的不同维度的复杂相互依赖性。在两个公共基准上的实验表明，与最先进的方法相比，我们的方法具有竞争力的性能。
2016-08-11 cs.CV
Artificial Color Constancy via GoogLeNet with Angular Loss Function
Norwegian Colour and Visual Computing Laboratory（挪威色彩与视觉计算实验室）；NTNU（挪威科技大学）
颜色恒常性是人类视觉系统感知颜色不受照明影响的能力。赋予机器这一特征将在使用色彩信息的许多领域中是有益的。特别地，它显著地改善了场景理解和对象识别。在本文中，我们提出了基于迁移学习的算法，它有两个主要特点：精度高于许多国家的最先进的算法和实现简单。尽管在实验中使用了GoogLeNet，但给定的方法可以应用于任何CNN。此外，我们讨论了一个新的损失函数的设计，专门面向这个问题，并提出了一些最合适的选择。
2019-12-04 cs.CV
What Else Can Fool Deep Learning? Addressing Color Constancy Errors on Deep Neural Network Performance
York University（约克大学）；Samsung AI Center（三星人工智能中心）
有一些针对局部图像操作的积极研究，这些图像操作可以欺骗深度神经网络（DNN）产生错误的结果。本文探讨了一种类型的全球图像操纵，可以产生类似的不利影响。具体来说，我们探讨了由错误应用的计算颜色恒定性（在摄影中称为白平衡（WB））引起的强烈色偏如何对DNN的图像分割和分类性能产生负面影响。此外，我们还讨论了用于提高DNN鲁棒性的现有图像增强方法如何不适合对WB错误进行建模。为了解决这个问题，提出了一种新的增强方法，可以模拟准确的颜色恒定性退化。我们还探索了预处理训练和测试图像与最近的WB校正算法，以减少不正确的白平衡图像的影响。我们在不同的数据集上检查了增强和预处理策略，并在CIFAR-10，CIFAR-100和ADE 20 K数据集上展示了显着的改进。
2019-12-15 cs.CV
Color Constancy by Reweighting Image Feature Maps
Zhejiang University（浙江大学）
在这项研究中，提出了一种新的光源颜色估计框架，用于计算颜色恒定性，该框架结合了基于深度学习的模型的高表示能力和基于投影的模型的高可解释性。精心设计的构建块，特征图重新加权单元（ReWU），有助于在基准数据集上实现与现有最先进的基于深度学习的模型相比的相对准确性，同时需要更紧凑的模型大小和更便宜的计算成本。除了局部颜色估计之外，还包括置信度估计分支，使得模型能够同时产生点估计及其不确定性估计，这为局部估计聚合和多个照明估计提供了有用的线索。源代码和数据集已在https://github.com/QiuJueqin/Reweight-CC上提供。
2020-05-06 cs.CV
SAFE: Scene-Aware Feature Modulation for Color Constancy with Learned Color Space in Pure-Color Scenes
MediaTek Inc.（联发科技股份有限公司）；National Taiwan University（台湾大学）
针对纯彩色场景中色度线索坍缩导致色彩恒常性估计歧义的问题，提出结合SAFE网络与LCS的框架，显著降低了平均及高低分位数的角度误差。
2026-08-17 cs.CV
ADCC: An Effective and Intelligent Attention Dense Color Constancy System for Studying Images in Smart Cities
Fudan University（复旦大学）；Northeastern State University（东北州立大学）；Nokia-Bell Labs（诺基亚贝尔实验室）
计算颜色恒常性作为一种消除物体色差的新方法，已成为计算机视觉许多应用的基本前提。在执行此任务的算法中，基于学习的算法近年来取得了巨大的成功。然而，它们没有充分考虑图像的空间信息，为光源估计精度的提高留下了很大的空间。在本文中，通过利用图像的空间信息，我们提出了一个算法称为注意密集颜色恒定（ADCC）使用卷积神经网络（CNN）。具体来说，基于输入图像的2D对数色度直方图以及它们的特别增强的直方图，ADCC用自注意DenseNet估计光源。增强后的图像在对数直方图中区分边缘梯度、边缘像素和非边缘像素，对特征提取和颜色模糊消除有重要作用，从而提高了光源估计的准确性。在基准数据集上的仿真和实验结果表明，该算法是有效的光源估计相比，国家的最先进的方法。因此，ADCC在促进智能城市应用方面具有巨大潜力，例如智能相机，其中颜色是区分物体的重要因素。
2020-10-10 cs.CV
GCC: Generative Color Constancy via Diffusing a Color Checker
National Yang Ming Chiao Tung University（国立阳明交通大学）；MediaTek Inc.（联发科股份有限公司）
GCC利用扩散模型将颜色校色卡修复进图像进行光照估计，通过单步确定性推理、拉普拉斯分解和掩码数据增强，实现跨相机泛化，无需传感器特定训练。
2025-03-25 cs.CV
Color Constancy based on Image Similarity via Bilayer Sparse Coding
计算颜色恒常性是计算机视觉中一个非常重要的课题，引起了许多研究者的关注。近年来，大量的研究表明，高层次的视觉内容信息的照明估计的影响。然而，所有这些现有的方法本质上是组合策略，其中图像的内容分析仅用于指导各种单独的照度估计方法的组合或选择。在本文中，我们提出了一种新的双层稀疏编码模型的照明估计，同时考虑图像的相似性在低层次的颜色分布和高层次的图像场景内容。为此，将图像的场景内容信息与其颜色分布相结合，以获得最佳的光照估计模型。在两组真实图像上的实验结果表明，该算法优于其他主流的光照估计方法，甚至优于组合方法。
2012-11-08 cs.CV
Fast Fourier Color Constancy and Grayness Index for ISPA Illumination Estimation Challenge
Tampere University（坦佩雷大学）；South China University of Technology（华南理工大学）
本文简要介绍了第11届国际图像和信号处理与分析研讨会上的两个关于颜色视觉的国际研讨会上的照明估计挑战的论文。基于傅立叶变换的提交排名第3，基于统计灰度像素的提交排名第6。
2019-09-17 cs.CV
Cascading Convolutional Color Constancy
South China University of Technology（华南理工大学）；Tampere University（坦佩雷大学）；Chinese Academy of Sciences（中国科学院）
在计算颜色恒常性时，通常采用从物体外观的表示回归场景的光照。然而，由于未知光源、材料的不同反射特性和外部成像因素（如不同的相机传感器）导致的内在外观和标签模糊性，这仍然是具有挑战性的。在本文中，我们引入了一种新的算法级联卷积颜色恒定（简称C4），以提高回归学习的鲁棒性，并在一个独特的框架中实现跨数据集（不同相机和场景）的稳定泛化能力。C4方法通过引入一个加权的乘-累积损失函数，从每个级联阶段集成了一系列相关的光照假设，该函数可以内在地捕获不同的光照模式，并显式地执行从粗到细的网络优化。实验结果表明，与现有的方法相比，该算法具有更好的性能，特别是对于更困难的场景。
2019-12-24 cs.CV
Color Constancy by Learning to Predict Chromaticity from Luminance
Toyota Technological Institute at Chicago（芝加哥丰田技术研究院）
颜色恒常性是从观察到的颜色恢复真实的表面颜色，并且需要估计场景照明的色度以校正它引起的偏差。在本文中，我们表明，每像素的颜色统计的自然场景-没有任何空间或语义的背景-本身可以是一个强大的提示颜色恒常性。具体来说，我们描述了一种光源估计方法，该方法是围绕一个“分类器”建立的，用于识别给定其亮度（跨颜色通道的绝对亮度）的像素的真实色度。在推断期间，每个像素的观察到的颜色将其真实色度限制为可以由候选发光体集合之一解释的那些值，并且在这些值上应用分类器产生对应发光体上的分布。一个全局估计的场景照明计算通过一个简单的聚合这些分布在所有像素。我们首先简单地定义亮度到色度分类器通过计算经验直方图的离散化的色度和亮度值从一组训练的自然图像。这些直方图反映了对平滑反射函数对应的色调的偏好，以及对较亮像素中的非彩色颜色的偏好。尽管它的简单性，所得到的估计算法优于当前国家的最先进的颜色恒定性的方法。接下来，我们提出了一种方法来学习亮度到色度分类器“端到端”。使用随机梯度下降，我们设置色度-亮度似然，以最大限度地减少训练集上的最终场景照明估计中的误差。这导致精度的进一步提高，最显著的是误差分布的尾部。
2015-12-07 cs.CV
CLCC: Contrastive Learning for Color Constancy
MediaTek Inc.（联发科技股份有限公司）
在本文中，我们提出了CLCC，一个新的对比学习框架的颜色恒常性。对比学习已经被应用于学习用于图像分类的高质量视觉表示。产生用于图像分类的有用表示的一个关键方面是设计照明不变增强。然而，光源不变的假设与颜色恒定性任务的性质相冲突，该任务的目的是估计给定原始图像的光源。因此，我们通过一种新的原始域颜色增强来构建有效的对比对，以学习更好的依赖于照明的特征。在NUS-8数据集上，我们的方法在强基线上提供了$17.5\%$的相对改进，在不增加模型复杂性的情况下达到了最先进的性能。此外，与顶级深度学习方法相比，我们的方法在Gehler数据集上实现了具有竞争力的性能，其中$3\times$参数更少。更重要的是，我们表明，我们的模型是更强大的不同场景下的光源接近，显着减少$28.7\%$最坏情况下的数据稀疏区域的错误。
2021-06-09 cs.CV
Conditional GANs for Multi-Illuminant Color Constancy: Revolution or Yet Another Approach?
The Norwegian Colour and Visual Computing Laboratory, NTNU（挪威色彩与视觉计算实验室，挪威科技大学）
非均匀和多光源颜色恒定性是重要的任务，其解决方案将允许丢弃图像中关于照明条件的信息。不均匀的照明和阴影会扭曲真实世界对象的颜色，并且大多不包含有价值的信息。因此，许多计算机视觉和图像处理技术将受益于在预处理步骤自动丢弃该信息。在这项工作中，我们提出了新的观点，通过生成端到端算法的基础上，图像条件生成对抗网络的经典问题。我们还证明了潜在的联合阴影检测和去除的方法。由于缺乏训练数据，我们渲染了现有最大的阴影去除数据集，并将其公开。它由大约6,000对宽视场合成图像组成，有阴影和没有阴影。
2019-04-20 cs.CV
Fast Color Constancy with Patch-wise Bright Pixels
Fudan University（复旦大学）
本文提出了一种无需学习的颜色恒常性算法--逐块亮像素（Patch-wise Bright Pixels，PBP）。在该算法中，输入图像首先被下采样，然后均匀地切割成几个块。然后，根据每个块的修改后的亮度，在块中选择适当比例的最亮像素。最后，基于灰色世界（GW）的方法被应用到所选择的亮像素估计场景的照明。在NUS $8$ -Camera数据集上的实验表明，PBP算法的性能优于最先进的无学习方法以及广泛的基于学习的方法。特别是，PBP在两毫秒内处理$1080$ p图像，比现有的免学习图像快数百倍。我们的算法提供了一个潜在的解决方案，全面屏智能手机的屏幕与身体的比例为$100$ \%。
2019-11-17 cs.CV
Color Constancy in Hyperspectral Imaging via Reduced Spectral Spaces
\'Ecole Polytechnique F\'ed\'erale de Lausanne (EPFL), Lausanne, Switzerland
本文研究了超光谱数据中光谱维度和表示选择对光照估计的影响，采用Color-by-Correlation框架，探讨了如何高效利用超光谱信息提升光照估计性能。
2026-05-13 cs.CV
Probabilistic Color Constancy
Tampere University（坦佩雷大学）；Finnish Environment Institute（芬兰环境研究所）；Aarhus University（奥胡斯大学）；Xiaomi（小米）
在本文中，我们提出了一种新的无监督的颜色恒常性方法，称为概率颜色恒常性（PCC）。我们定义了一个框架，用于估计一个场景的照明加权使用基于图形的图像表示的不同图像区域的贡献。为了估计每个（超）像素的权重，我们依赖于两个假设：具有相似颜色的（超）像素贡献相似，而较暗的（超）像素贡献较小。与最先进的方法相比，所提出的方法在INTEL-TAU数据集上实现了具有竞争力的性能。
2020-05-06 cs.CV eess.IV
A Multi-Hypothesis Approach to Color Constancy
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Mila（米拉）；Technical University of Munich（慕尼黑工业大学）
当代方法将颜色恒定性问题框定为学习相机特定光源映射。虽然可以在相机特定数据上实现高精度，但这些模型取决于相机光谱灵敏度，并且通常对新设备表现出较差的泛化能力。此外，由于问题的不适定性质，回归方法产生的点估计值没有明确说明合理光源解决方案之间的潜在模糊性。我们提出了一个贝叶斯框架，自然地处理颜色恒常性的歧义通过多假设策略。首先，我们以数据驱动的方式选择一组候选场景光源，并将其应用于目标图像以生成一组校正图像。其次，我们估计，对于每个校正的图像，使用相机不可知的CNN的光源是消色差的可能性。最后，我们的方法明确地从生成的后验概率分布中学习最终的照明估计。我们的似然估计学习回答一个相机不可知的问题，从而使有效的多相机训练，从监督学习任务中分离光源估计。我们广泛评估了我们提出的方法，并为无需重新训练的新型传感器泛化设定了基准。我们的方法在多个公共数据集上提供了最先进的准确性（高达11%的中值角误差改善），同时保持实时执行。
2020-03-02 cs.CV
Color Constancy Using CNNs
University of Milan-Bicocca（米兰比可卡大学）；University of Pavia（帕维亚大学）
在这项工作中，我们描述了一个卷积神经网络（CNN），以准确地预测场景照明。以图像块作为输入，CNN在空间域中工作，而不使用大多数先前方法所采用的手工制作的特征。该网络由一个具有最大池化的卷积层，一个全连接层和三个输出节点组成。在网络结构中，特征学习和回归被集成到一个优化过程中，这导致了一个更有效的模型估计场景照明。这种方法在RAW图像的标准数据集上实现了最先进的性能。对具有空间变化光照的图像的初步实验证明了我们的CNN的局部光源估计能力的稳定性。
2015-04-17 cs.CV
Investigation of Color Constancy for Ubiquitous Wireless LAN/Camera Positioning: An Initial Outcome
Faculty of Computer Science & Information Systems, Universiti Teknologi Malaysia（马来西亚理工大学计算机科学与信息系统学院）；Centre of Real Estate Studies, Universiti Teknologi Malaysia（马来西亚理工大学房地产研究中心）
本文介绍了我们的颜色恒常性的调查，在混合的无线局域网和摄像头定位在移动电话。分析了五种典型的颜色恒常性方案在不同位置环境下的表现。该结果可用于通过使用模型拟合方法与来自无线LAN定位的RF信号组合，以建立绝对定位输出。不需要传统的搜索算法，因此有望降低计算复杂度。最后，我们提出了我们的初步结果来说明室内定位算法的性能评估的室内环境设置。
2012-06-27 cs.CV cs.HC
Learning Enriched Illuminants for Cross and Single Sensor Color Constancy
Tencent AI Lab（腾讯人工智能实验室）；University of Macau（澳门大学）；University of Science and Technology of China（中国科学技术大学）；Noak’s Ark Lab, Huawei Technologies（华为技术有限公司诺亚方舟实验室）；Dalian University of Technology（大连理工大学）
颜色恒常性是指在不同光源下，场景的颜色保持不变。然而，由于相机光谱敏感性的存在，在某个传感器上训练的网络，不能很好地工作在其他传感器上。此外，由于训练数据集是在某些环境中收集的，因此光源的多样性对于复杂的现实世界预测是有限的。本文从两个方面来解决这些问题。首先，我们提出了跨传感器自监督训练训练网络。详细地说，我们认为一般的sRGB图像和白平衡RAW图像从目前可用的数据集作为白平衡代理。然后，我们训练网络随机抽样的人工光源在传感器无关的方式场景重新照明和监督。其次，我们分析了以前的级联框架，并提出了一个更紧凑和准确的模型，通过共享骨干参数与学习注意力。实验表明，我们的跨传感器模型和单传感器模型优于其他国家的最先进的方法，分别在交叉和单传感器的评估，只有16%的参数以前的最好的模型。
2022-03-21 cs.CV
Improving Color Constancy by Discounting the Variation of Camera Spectral Sensitivity
University of Electronic Science and Technology of China（电子科技大学）；Chinese Academy of Sciences（中国科学院）
同时考虑场景光源和相机光谱灵敏度的影响，从有颜色偏差的图像中恢复真实场景颜色是一个不适定问题。大多数颜色恒常性（CC）模型被设计为首先估计光源颜色，然后从颜色偏置图像中去除光源颜色以获得在白光下拍摄的图像，而没有显式地考虑CSS对CC的影响。本文首先研究了在基于数据集间的CC（inter-CC）中出现的CSS对照明估计的影响，即，在一个数据集上训练CC模型，然后在由不同CSS捕获的另一个数据集上进行测试。我们表明，现有的CC模型之间的CC应用程序的明显退化。然后提出了一种简单的方法来克服这种退化，首先快速学习两个不同的CSS（CSS-1和CSS-2）之间的变换矩阵。然后使用学习的矩阵将在CSS-1下渲染的数据（包括光源地面实况和颜色偏差图像）转换为CSS-2，然后在CSS-2下对颜色偏差图像进行训练和应用CC模型，而不需要在CSS-2下繁重地获取训练集。在合成图像和真实图像上的大量实验表明，该方法可以明显改善传统CC算法的CC间性能。我们建议，通过考虑CSS效应，它是更有可能获得真正的颜色不变的图像不变的光源和相机传感器的变化。
2016-11-01 cs.CV
Human-Aligned Evaluation of a Pixel-wise DNN Color Constancy Model
Giessen University（吉森大学）
本文提出了一种基于ResNet的U-Net模型，通过人类实验任务评估其在颜色恒常性中的表现，展示了模型与人类行为的一致性。
2026-02-14 cs.CV q-bio.NC
INTEL-TAU: A Color Constancy Dataset
Tampere University（坦佩雷大学）；Aarhus University（奥胡斯大学）；INTEL（英特尔）
在本文中，我们描述了一个新的大型数据集的照明估计。该数据集被称为INTEL-TAU，总共包含7022张图像，这使其成为用于照明估计研究的最大可用高分辨率数据集。使用三种不同的相机型号，即佳能5DSR，尼康D810和索尼IMX 135捕获的各种场景，使得数据集适合于评估不同照明估计技术的相机和场景不变性。对敏感信息进行隐私屏蔽，例如，脸上因此，该数据集符合新的通用数据保护条例（GDPR）。此外，由于提供了原始数据的校正和未校正版本，因此可以使用INTEL-TAU数据集评估移动图像的颜色阴影效果。此外，本文基准几个颜色恒常性的方法，建议的数据集。
2020-12-23 cs.CV eess.IV
Pixel-Wise Color Constancy via Smoothness Techniques in Multi-Illuminant Scenes
Faculty of Information Technology and Communication Sciences, Tampere University（坦佩雷大学信息技术与通信科学学院）
针对多光源场景颜色恒常性问题，提出通过学习像素级照明图并利用总变差损失、双边滤波和标签平滑技术，实现优于现有方法的性能。
2024-02-05 cs.CV eess.IV
Multi-illuminant Color Constancy via Multi-scale Illuminant Estimation and Fusion
School of Computer Science and Artificial Intelligence, Wuhan Textile University（计算机科学与人工智能学院，武汉纺织大学）
本文提出一种多尺度光照估计与融合方法，通过三分支卷积网络和注意力融合模块提升多光照条件下颜色恒常性效果。
2026-02-27 cs.CV eess.IV
Formulating Camera-Adaptive Color Constancy as a Few-shot Meta-Learning Problem
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
数字相机流水线采用颜色恒定性方法来估计未知场景光源，以便重新照亮图像，就好像它们是在非彩色光源下获得的一样。全监督学习方法利用相机特定的标记训练图像表现出最先进的估计精度。所得到的模型通常遭受域间隙，并且不能跨成像设备进行概括。在这项工作中，我们提出了一种新的方法，提供快速适应以前看不见的相机，并通过利用不同的相机和数据集之间的注释样本的捕获设备的变化的鲁棒性。我们提出了一种通用的方法，利用色温的概念，帧颜色恒定性作为一组不同的，同质的Few-Shot回归任务，每个与一个直观的物理意义。我们将这种新的配方整合到元学习框架中，仅使用少量相机特定的训练样本即可快速推广到以前看不见的相机。因此，每当使用新的传感器时，实际上用于数据汇集和注释的时间大大减少。为了量化这一收益，我们在三个公开的数据集上评估了我们的管道，这些数据集包括12个不同的相机和不同的场景内容。与标准方法相比，我们的方法在定性和定量方面都提供了有竞争力的结果，同时需要一小部分相机特定的样本。
2019-04-03 cs.CV stat.ML
Investigating the Importance of Shape Features, Color Constancy, Color Spaces and Similarity Measures in Open-Ended 3D Object Recognition
Shahrekord University（沙赫雷克德大学）；University of Groningen（格罗宁根大学）
尽管最先进的3D物体识别方法最近取得了成功，但服务机器人在以人为中心的真实环境中经常无法识别许多物体。对于这些机器人来说，物体识别是一项具有挑战性的任务，因为在不断变化和不可预测的环境条件下对准确和实时响应的要求很高。大多数最近的方法要么只使用形状信息，而忽略颜色信息的作用，反之亦然。此外，它们主要利用$L_n$ Minkowski族函数来度量两个对象视图的相似性，而存在各种适用于比较两个对象视图的距离度量。在本文中，我们探讨的重要性，形状信息，颜色恒定性，颜色空间，和各种相似性的措施，在开放式的三维物体识别。为了实现这一目标，我们广泛评估的对象识别方法在三种不同的配置，包括\textit{color-only}，\textit{shape-only}，和\textit{ combinations of color and shape}，在离线和在线设置的性能。实验结果表明，所有的\textit{combinations of color and shape}产生的\textit{shape-only}和\textit{color-only}方法的可扩展性，内存使用和对象识别性能的显着改善。其根本原因是，颜色信息是区分具有非常相似的几何属性的不同颜色的对象的重要特征，反之亦然。此外，通过结合颜色和形状的信息，我们证明了机器人可以学习新的对象类别，从非常少的训练样本在现实世界的设置。
2020-09-26 cs.CV cs.RO
Practical cross-sensor color constancy using a dual-mapping strategy
The Hong Kong Polytechnic University（香港理工大学）
提出一种基于双映射策略的跨传感器色彩恒常性方法，仅需D65条件下的白点即可推导映射矩阵，通过轻量级MLP优化稀疏特征，有效减少传感器差异，性能与领先方法相当且高效实用。
2023-11-20 cs.CV
Boosting Illuminant Estimation in Deep Color Constancy through Enhancing Brightness Robustness
School of Computer Science and Cyber Engineering, Guangzhou University（广州大学计算机科学与网络工程学院）；State Key Laboratory of Blockchain and Data Security, Zhejiang University（浙江大学区块链与数据安全国家重点实验室）；Information Security Research Group, University College London（伦敦大学学院信息安全研究组）
本文首次从鲁棒性角度分析亮度对 DNNCC 模型的影响，并提出无需超参数、可即插即用的 BRE 策略，通过对抗亮度训练与亮度对比损失降低光源估计误差。
2025-02-18 cs.AI cs.CV
Primary visual cortex contributes to color constancy by predicting rather than discounting the illuminant: evidence from a computational study
College of Computer Science, Sichuan University（四川大学计算机学院）；School of Life Science and Technology, University of Electronic Science and Technology of China（电子科技大学生命科学与技术学院）
该研究构建基于电生理学的V1神经模型并在带真实光源标签的自然图像上学习，证明DO神经元通过编码、预测光源而非扣除光源来实现颜色恒常性。
2024-12-10 cs.CV q-bio.NC
Decoupling Semantic Context and Color Correlation with multi-class cross branch regularization
Samsung Research Institute（三星研究院）
本文提出了一种新的设计方法，用于为视觉应用构建轻量级和更快的DNN架构。该架构的有效性证明了颜色恒定用例中的相机和成像管道的固有块。具体来说，我们提出了一个多分支架构，从图像中拆卸的上下文功能和颜色属性，然后将它们结合起来，以预测一个全局属性（例如全局光照）。我们还提出了一种隐式正则化技术，通过设计交叉分支正则化块，使网络保持较高的泛化精度。通过保守使用最佳计算算子，所提出的架构实现了最先进的精度，模型参数减少了30倍，颜色恒定性的推理时间加快了70倍。它还表明，所提出的架构是通用的，并实现了类似的效率，在其他视觉应用，如低光摄影。
2018-12-09 cs.CV
Self-Supervised Learning of Color Constancy
Frankfurt Institute for Advanced Studies（法兰克福高等研究院）；Xidian-FIAS International Joint Research Center（西电-法兰克福高等研究院国际联合研究中心）；Justus Liebig University Giessen（吉森大学）
该研究首次验证了通过自监督不变性学习训练的神经网络可形成色彩恒常性，为人类视觉系统色彩恒常能力的认知发育机制提供了合理解释。
2024-04-11 cs.AI cs.CV cs.LG
Using the Random Sprays Retinex Algorithm for Global Illumination Estimation
University of Zagreb（萨格勒布大学）
本文提出了一种利用随机喷雾Retinex（RSR）算法进行全局光照估计的方法，并对其可行性进行了验证。与其他基于Retinex模型的算法一样，RSR也为每个像素提供局部光照估计和亮度调整，并且比其他路径Retinex算法更快。由于均匀照明的假设在许多情况下成立，因此应该可以使用RSR的局部照明估计的平均值作为具有（假设的）均匀照明的图像的全局光照估计，从而还允许容易地测量精度。因此，我们提出了一种基于局部RSR结果的全局光照估计方法。据我们所知，这是第一次使用RSR算法来获得全局光照估计。对于我们的测试，我们使用一个公开的颜色恒定性图像数据库进行测试。结果表明，该方法优于许多现有的无监督颜色恒常性算法。源代码可在http://www.fer.unizg.hr/ipg/resources/color_constancy/上获得。
2013-10-02 cs.CV
Data-Driven Color Augmentation Techniques for Deep Skin Image Analysis
INESC TEC；Tecnalia（特克纳利亚）；Computer Vision Center, Universitat Autónoma de Barcelona（巴塞罗那自治大学计算机视觉中心）；Faculdade de Engenharia, Universidade do Porto（波尔图大学工程学院）
皮肤镜皮肤图像通常在不同的采集条件下用不同的成像设备获得。在这项工作中，而不是试图执行强度和颜色归一化，我们建议利用计算颜色恒常性技术，建立一个人工数据增强技术适合这种图像。具体来说，我们应用的\emph{shades of gray}颜色恒定性技术的颜色归一化的整个训练集的图像，同时保留估计的光源。然后，我们从训练集光源的分布中抽取一个样本，并将其应用于归一化图像。我们采用这种技术来训练两个深度卷积神经网络，用于皮肤病变分割和皮肤病变分类任务，在ISIC 2017挑战的背景下，不使用任何外部皮肤病学图像集。我们的验证集的结果是有希望的，并将补充扩展结果的隐藏测试集时可用。
2017-03-10 cs.CV
Green Stability Assumption: Unsupervised Learning for Statistics-Based Illumination Estimation
在几乎每个数字相机的图像处理流水线中，存在专用于计算颜色恒定性的部分，即，专用于去除照明对图像场景的颜色的影响的部分。一些最著名的照明估计方法是所谓的基于几何学的方法。它们比基于学习的照度估计方法准确性较差，但在嵌入式系统中实现起来更快、更简单，这是它们广泛使用的原因之一。虽然在相关文献中，它们通常看起来不需要训练，但这是不正确的，因为它们具有需要微调以更准确的参数值。在本文中，它首先表明，在大多数论文中报道的基于几何的方法的准确性不是通过必要的交叉验证获得的，而是通过使用整个基准数据集进行训练和测试。之后，给出了最佳已知基准数据集的校正结果。最后，提出了所谓的绿色稳定性假设，该假设可以用于通过仅使用未校准的图像而不使用已知的地面实况照明来微调基于几何学的方法的参数的值。所获得的精度实际上与使用校准的训练图像时相同，但整个过程要快得多。实验结果进行了介绍和讨论。源代码可在http://www.fer.unizg.hr/ipg/resources/color_constancy/上获得。
2018-02-02 cs.CV
A statistical learning approach to color demosaicing
提出了一种用于彩色去马赛克的统计学习/推理框架。我们从关于颜色恒定性的简单假设开始，并将颜色去马赛克转换为盲线性逆问题：颜色参数化未知内核，而亮度则扮演潜在变量的角色。一个期望最大化算法自然建议自己的估计，他们两个。然后，随着我们逐渐扩大学习颜色的假设家族，我们让我们的去马赛克行为自适应，以反映我们对彩色图像统计的先验知识的方式。我们表明，我们可以将现实的，学到的先验知识，而不会从根本上改变简单的期望最大化算法的复杂性，我们开始。
2010-02-12 cs.CV
Color Cerberus
Institute for Information Transmission Problems of the Russian Academy of Sciences (IITP RAS)（俄罗斯科学院信息传输问题研究所）
简单的卷积神经网络能够赢得ISISPA颜色恒常性比赛。（Bianco，2017）神经架构的部分重新实现在这种设置中会显示出更好的结果。
2019-07-15 cs.CV cs.LG eess.IV
Color Constancy by GANs: An Experimental Survey
University of Amsterdam（阿姆斯特丹大学）；DUniversum（3DUniversum）
在本文中，我们使用GANs将颜色恒定性任务表示为图像到图像的转换问题。通过在不同数据集上进行大量实验，提供了关于使用不同类型的GANs来解决颜色恒定性的实验调查，即CC-GANs（颜色恒定性GANs）。在实验回顾的基础上，根据不同的标准、环境和数据集，给出了CC-GAN架构设计的建议。
2018-12-07 cs.CV
The Cube++ Illumination Estimation Dataset
Institute for Information Transmission Problems, RAS（俄罗斯科学院信息传输问题研究所）；University of Zagreb（萨格勒布大学）
计算颜色恒常性的重要任务是减少场景照明对物体颜色的影响。因此，它是大多数数码相机的图像处理流水线的重要组成部分。计算颜色恒常性的一个重要部分是照明估计，即估计照明颜色。当提出照明估计方法时，其准确性通常通过提供在公开可用数据集的图像上获得的误差度量的值来报告。然而，随着时间的推移，已经表明这些数据集中的许多数据集都存在问题，例如图像太少，图像质量不合适，缺乏场景多样性，缺乏版本跟踪，违反各种假设，违反GDPR法规，缺乏额外的拍摄过程信息等。提出了一种新的照明估计数据集，其目的在于减轻许多所提到的问题并帮助照明估计研究。它由4890张具有已知照明颜色的图像以及额外的语义数据组成，这些数据可以进一步使学习过程更加准确。由于使用了SpyderCube颜色目标，对于每个图像，都有两个覆盖不同方向的地面实况照明记录。因此，该数据集可用于训练和测试执行单光源或双光源估计的方法。这使得它优于许多类似的现有数据集。数据集，它的较小版本SimpleCube++，以及附带的代码可以在https://github.com/Visillect/CubePlusPlus/上获得。
2020-11-19 cs.CV
The Past and the Present of the Color Checker Dataset Misuse
University of Zagreb（萨格勒布大学）
数码相机的流水线中包含了计算颜色恒常性的部分，其目的是消除光照对场景颜色的影响。对于这个问题，最著名和最广泛使用的基准数据集之一是Color Data Set。然而，由于其图像中的黑电平处理不当，该数据集已被广泛滥用，虽然最近的一些出版物试图缓解这个问题，但它们仍然出错并产生了额外的错误数据。本文介绍了Color Data Sets数据集的使用历史，描述了其误用的起源和原因，并解释了最近试图处理该问题的出版物中引入的新旧错误。希望这有助于防止今后发生类似的滥用情况。
2019-03-11 cs.CV
Back to Basics: Unsupervised Learning of Optical Flow via Brightness Constancy and Motion Smoothness
Ryerson University（瑞尔森大学）
最近，卷积网络（convnets）已被证明是有用的预测光流。这一成功的大部分是建立在大型数据集的可用性上的，而这些数据集需要昂贵且复杂的数据采集和费力的标记。为了绕过这些挑战，我们提出了一种非监督方法（即，而不利用地面实况流）来训练用于预测两个图像之间的光流的端到端卷积网络。我们使用一个损失函数，它结合了一个数据项，测量随着时间的推移光度恒定性与一个空间项，模型的预期变化的流量在整个图像。这些损失一起形成基于地面实况流的损失的代理度量。从经验上讲，我们证明了使用建议的无监督方法训练的强convnet基线优于在KITTI数据集上使用监督训练的相同网络。
2016-08-20 cs.CV
