Color-Phase Analysis for Sinusoidal Structured Light in Rapid Range Imaging
Sogang University（西江大学）
结构光主动测距是获取三维信息最准确、最可靠的方法。然而，大多数的工作已被限制在静态对象的范围内感知，和动态（移动或变形）对象的范围感知最近已经调查了只有少数研究人员。正弦结构光是一种常用的三维测量方法。本文提出了一种利用彩色正弦图案实现快速高分辨距离成像的新方法。我们考虑了现实世界中的彩色光投影仪和彩色摄像机的非线性和色带串扰的问题，并提出了准确恢复彩色相位的方法。对于高分辨率测距，我们使用高频模式，并描述新的展开算法，可靠的范围恢复。实验结果证明了该方法的有效性。
2015-09-14 cs.CV cs.GR physics.optics
Megapixel Photon-Counting Color Imaging using Quanta Image Sensor
Purdue University（普渡大学）；Gigajot Technology Inc.（Gigajot科技公司）
Quanta Image Sensor（QIS）是一种单光子探测器，专为极低光成像条件而设计。大多数现有的QIS原型是基于单光子雪崩二极管（SPAD）的单色。被动彩色成像还没有被证明与单光子探测器由于固有的困难，缩小像素大小和增加空间分辨率，同时保持可接受的像素内串扰。在本文中，我们提出了图像重建的第一个彩色QIS与$1024 \times 1024$像素的分辨率，支持单比特和多比特光子计数能力。我们的彩色图像重建是由一个定制的联合去马赛克去噪算法，利用截断泊松统计和方差稳定变换。新的传感器和算法的实验结果表明，卓越的彩色成像性能非常低的光条件下，平均曝光低至几个光子每像素在真实和模拟图像。
2019-05-20 cs.CV
A Deep Learning Approach for Digital Color Reconstruction of Lenticular Films
我们提出了第一个准确的数字化和彩色重建过程的历史透镜状电影，是强大的文物。透镜胶片出现在20世纪20年代，是第一批允许捕捉运动中的全色信息的技术之一。该技术利用RGB过滤器和浮雕在胶片表面的圆柱形小块来编码图像水平空间维度的颜色。为了投影图像，使用适当的模拟设备反转编码过程。在这项工作中，我们引入了一个自动化的，完全数字化的管道来处理扫描的透镜状电影和彩色图像。我们的方法将深度学习与基于模型的方法相结合，以最大限度地提高性能，同时确保重建的彩色图像与编码的颜色信息真实匹配。我们的模型采用不同的策略来实现有效的颜色重建，特别是（i）我们使用数据增强来创建鲁棒的颜色分割网络，（ii）我们拟合颜色光栅预测以获得精确的矢量颜色定位，以及（iii）我们训练预测插值系数的着色网络以获得真实的着色。我们验证了所提出的方法上的透镜状电影数据集，并将其与其他方法进行比较。由于没有彩色地面实况可作为参考，我们进行了用户研究，以主观的方式验证我们的方法。研究结果表明，所提出的方法在很大程度上是首选其他现有的和基线的方法。
2022-04-04 cs.CV eess.IV
A Digital Fuzzy Edge Detector for Color Images
University of Chinese Academy of Sciences（中国科学院大学）
边缘检测是图像处理领域的经典问题，它为图像分割等其他任务奠定了基础。常规地，使用梯度算子（诸如Roberts或Sobel算子）来执行该操作，该梯度算子可以发现强度水平的局部变化。然而，这些算子在低对比度图像上表现不佳。在本文中，我们提出了一种基于模糊理论和Sobel算子的彩色图像边缘检测器结构。首先，从图像中提取R，G和B通道，并使用模糊方法增强，以抑制噪声并提高背景与目标之间的对比度。然后将Sobel算子应用于每个通道，最后将其组合成原始图像的边缘图。通过FPGA实现的实验结果证明了该方法的有效性。
2017-01-13 cs.CV
Verifying a platform for digital imaging: a multi-tool strategy
University of Dundee（邓迪大学）；University of La Rioja（拉里奥哈大学）
Fiji是一个Java平台，被生物学家和其他实验科学家广泛用于处理数字图像。特别是，在我们的研究中-与一个生物学家团队一起进行;我们在对图像进行同源数字处理之前的一些预处理步骤中使用斐济。在以前的工作中，我们已经正式的正确性的程序，使用同调技术来分析数字图像。但是，斐济的预处理步骤的核查工作没有进行。在本文中，我们提出了一个多工具的方法，填补这一空白，基于组合的Why/Krakatoa，Coq和ACL 2。
2013-05-24 cs.CV cs.SE
SLIC Based Digital Image Enlargement
Faculty of Information Technology, University of Moratuwa（莫拉图瓦大学信息技术学院）
低分辨率图像增强是一个经典的计算机视觉问题。在低分辨率图像中可用的有限数据的情况下，选择最佳方法来将图像重建为更高分辨率是相当具有挑战性的。现有的放大技术的一个主要缺点是在图像中分离不同颜色的边缘上插入像素时引入了渗色。由于在相邻区域上混合多种颜色，渗色导致用新颜色突出边缘。本文提出了一种新的方法，以减轻颜色出血的图像分割均匀的颜色区域使用简单线性迭代聚类（SLIC）和应用高阶插值技术分别对孤立的部分。通过使用形态学操作来处理在每个孤立段的边界处的插值。该方法是通过比较几种常用的图像放大方法，如双线性和双三次插值的峰值信噪比（PSNR）值。实验结果表明，该方法在PSNR方面优于基线方法，并且还减轻了边缘处的渗色，从而改善了整体外观。
2018-10-05 cs.CV
Predictive Digital Twin for Condition Monitoring Using Thermal Imaging
SINTEF Digital（SINTEF数字研究院）
本文提出整合POD、RPCA和DMD构建预测性数字孪生框架，结合热成像与虚拟现实界面，在加热板实验中验证了其在状态监测、异常检测和实时预测方面的能力，推动工业资产管理变革。
2024-11-08 cs.CV cs.LG
A New Approach of Improving CFA Image for Digital Camera's
Hindu College of Engineering（印度教工程学院）
本文的工作直接针对提高数码相机和其他视觉捕捉产品的图像质量。在本文中，作者明确定义了CFA图像中出现的问题。本文针对彩色图像的色彩校正和色彩平衡问题，提出了一种不同的去噪方法。同时，作者还提出了一种在去马赛克之前提供去噪处理的新方法，以提高CFA的图像质量，这比以前定义的其他方法更有效。最后讨论了如何用最佳的方法去马赛克图像中的颜色。
2012-04-24 cs.CV
Optimized $k$-means color quantization of digital images in machine-based and human perception-based colorspaces
Department of Statistics, Iowa State University（统计学系，爱荷华州立大学）
研究在RGB、CIE-XYZ和CIE-LUV/CIE-HCL色彩空间中，$k$-均值算法在不同量化级别下对148张多样图像的颜色量化性能，发现RGB空间在约半数情况下最优，而CIE-XYZ在高量化级别时更优，CIE-LUV在低量化级别时也有优势，并分析了色调、色度和亮度分布对性能的影响。
2026-02-05 cs.CV eess.IV stat.AP
Digital twins of physical printing-imaging channel
University of Geneva（日内瓦大学）
在本文中，我们解决的问题，建模的打印成像通道建立在一个机器学习的方法，又名。数字孪生，用于基于复制检测模式（CDP）的防伪应用。数字孪生是制定一个信息理论框架称为Turbo，使用变分近似的互信息开发的编码器和解码器在一个双向的信息通道。该模型概括了几种最先进的架构，如对抗自动编码器（AAE），CycleGAN和对抗潜在空间自动编码器（ALAE）。该模型可以应用于任何类型的印刷和成像，并且它仅需要由发送到印刷设备的数字模板或艺术品组成的训练数据和由成像设备获取的数据。此外，这些数据可以是配对的、未配对的或混合配对-未配对的，这使得所提出的架构非常灵活并且可扩展到许多实际设置。我们展示了各种架构因素，指标和鉴别器的整体系统性能的影响，从他们的数字对应的打印CDP的生成/预测的任务，反之亦然。我们还比较了所提出的系统与几个国家的最先进的方法用于图像到图像的翻译应用程序。
2022-10-28 cs.CV cs.LG
Deep Snapshot HDR Imaging Using Multi-Exposure Color Filter Array
Tokyo Institute of Technology（东京工业大学）
在本文中，我们提出了一个深快照高动态范围（HDR）成像框架，可以有效地重建HDR图像从使用多曝光彩色滤光片阵列（ME-CFA），其中包括具有不同曝光水平的RGB滤波器的马赛克图案捕获的RAW数据。为了有效地学习HDR图像重建网络，我们引入了亮度归一化的思想，其通过考虑“亮度归一化”HDR域中的相对局部对比度来同时实现有效的损失计算和输入数据归一化。这种想法使得可以同等地处理亮区和暗区中的误差，而不管绝对亮度水平如何，这显著地改善了色调映射域中的视觉图像质量。使用两个公共HDR图像数据集的实验结果表明，我们的框架优于其他快照方法，并产生高质量的HDR图像，具有更少的视觉伪影。
2020-11-20 cs.CV cs.GR eess.IV
Learning Digital Camera Pipeline for Extreme Low-Light Imaging
Inception Institute of Artificial Intelligence（英思智能研究院）
在低光条件下，常规相机成像管线产生次优图像，所述次优图像通常由于低光子计数和低信噪比（SNR）而较暗且有噪声。我们提出了一种数据驱动的方法，该方法可以学习曝光良好的图像的所需属性，并将其反映在极低环境光环境中捕获的图像中，从而显着提高这些低光图像的视觉质量。我们提出了一个新的损失函数，它利用了像素和感知指标的特点，使我们的深度神经网络能够学习相机处理管道，将短曝光、低光照的RAW传感器数据转换为曝光良好的sRGB图像。结果表明，我们的方法优于国家的最先进的心理物理测试，以及像素的标准度量和最近的学习为基础的感知图像质量的措施。
2019-04-11 cs.CV
Physical Color Calibration of Digital Pathology Scanners for Robust Artificial Intelligence Assisted Cancer Diagnosis
Karolinska Institutet（卡罗林斯卡学院）；FFEI Ltd（FFEI有限公司）；University of Turku（图尔库大学）；Stavanger University Hospital（斯塔万格大学医院）；University of Stavanger（斯塔万格大学）；Aarhus University Hospital（奥胡斯大学医院）；Aarhus University（奥胡斯大学）；Tampere University（坦佩雷大学）
针对多站点数字病理图像颜色差异影响AI诊断的问题，本文在四实验室、1161张WSI上验证扫描仪物理颜色校准，可改善模型校准与Gleason分级。
2023-07-07 cs.AI cs.CV eess.IV
DI-Retinex: Digital-Imaging Retinex Theory for Low-Light Image Enhancement
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；University of Chinese Academy of Sciences（中国科学院大学）；The School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；The School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区网络空间科学与技术学院）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
本文提出数字成像 Retinex 理论 DI-Retinex，通过偏移项、非线性映射及无监督掩码反向退化与方差抑制损失提升低光照图像，在质量、模型大小、速度和下游人脸检测上表现更优。
2024-04-04 cs.CV eess.IV
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
Compression, Restoration, Re-sampling, Compressive Sensing: Fast Transforms in Digital Imaging
Tel Aviv University（特拉维夫大学）
变换图像处理方法是在诸如离散傅立叶、离散余弦、小波等的图像变换域中工作的方法。它们是图像压缩、图像复原、图像重采样和几何变换中的基本工具，可以追溯到20世纪70年代初。本文介绍了这些方法的审查，重点是他们的比较和关系，从变换图像压缩方法的第一步，自适应和局部自适应变换域滤波器的图像复原，精确的图像重采样和图像重建的稀疏样本的方法和“压缩感知”的方法，在过去的几年里已经得到普及。这篇评论具有辅导性质和目的。
2014-08-27 cs.CV physics.optics
Generative Quanta Color Imaging
Elmore Family School of Electrical and Computer Engineering（埃尔莫尔电气与计算机工程学院）；Purdue University（普渡大学）
本文提出基于Neural ODE的曝光合成模型，从单光子相机的单个二值帧生成一致曝光序列，显著提升单图像与连拍彩色化性能。
2024-03-28 cs.AI cs.CV
Hair Color Digitization through Imaging and Deep Inverse Graphics
L’Oréal Research and Innovation（欧莱雅研发与创新中心）；LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院巴黎电信学院LTCI实验室）；Sorbonne Université, CNRS, LIP6（索邦大学法国国家科学研究中心LIP6实验室）
头发外观是一个复杂的现象，这是由于头发的几何形状和光线如何在不同的头发纤维上反弹。出于这个原因，在渲染环境中再现特定的头发颜色是一项具有挑战性的任务，需要人工工作和计算机图形学方面的专业知识来在视觉上调整结果。虽然当前的毛发捕获方法集中于毛发形状估计，但是许多应用可以受益于用于捕获物理毛发样本的外观的自动化方法，从增强/虚拟现实到毛发染色开发。基于使用深度神经网络的逆图形和材料捕获的最新进展，我们介绍了一种用于头发颜色数字化的新方法。我们提出的管道允许捕获物理头发样本的颜色外观，并呈现具有类似外观的头发的合成图像，模拟不同的发型和/或照明环境。由于真实感头发图像的绘制需要路径跟踪绘制，传统的基于可微绘制的逆图形方法难以处理。我们的方法是基于一个受控的成像设备，一个路径跟踪渲染器，和一个基于自监督机器学习的逆图形模型的组合，它不需要使用微分渲染进行训练。我们说明了我们的头发数字化方法在真实图像和合成图像上的性能，并表明我们的方法可以准确地捕获和渲染头发颜色。
2022-02-08 cs.AI cs.CV cs.GR
Color Flow Imaging Microscopy Improves Identification of Stress Sources of Protein Aggregates in Biopharmaceuticals
Ghent University（根特大学）；Ghent University Global Campus（根特大学全球校区）
本研究构建了含16,000个亚可见颗粒的彩色流式成像数据集，结合深度学习模型验证了彩色FIM在识别蛋白质聚集体应力来源上优于单色成像。
2025-01-26 cs.AI cs.CV
An Integrated Enhancement Solution for 24-hour Colorful Imaging
Beihang University（北京航空航天大学）；National Institute of Informatics（国立信息学研究所）；Peng Cheng Laboratory（鹏城实验室）
目前24小时户外成像的行业实践是使用补充有近红外（NIR）照明的硅相机。这将导致彩色图像在白天对比度差，在夜间缺乏色度。对于这种困境，所有现有的解决方案都试图分别捕获RGB和NIR图像。然而，它们需要额外的硬件支持，并遭受各种缺点，包括使用寿命短，价格高，特定的使用场景，在本文中，我们提出了一种新颖的和集成的增强解决方案，产生清晰的彩色图像，无论是在充足的阳光白天或极低光的夜晚。我们的核心思想是从混合信号中分离出可见光和近红外信息，并在近红外信号的辅助下自适应地增强可见光信号。为此，我们建立了一个光学系统来收集一个新的VIS-NIR-MIX数据集，并提出了一个物理意义上的图像处理算法的基础上CNN。大量的实验结果表明，突出的结果，证明了我们的解决方案的有效性。
2020-05-10 cs.CV eess.IV
Algorithm Development for Controlling Movement of a Robotic Platform by Digital Image Processing
Universidad de Cundinamarca（昆迪纳马卡大学）；Universidad Católica de Pereira（佩雷拉天主教大学）
下面的工作显示了一个算法，可以处理图像的数字控制移动机器人平台在一定的环境中的运动的目标。该平台是用一个特定的颜色来识别，而平台移位的位移环境用不同的颜色来识别障碍物，对于这两种情况，它都是用RGB色标来工作的。为了获得控制的机器人平台的运动，该算法是在C程序设计语言开发的，并使用Open CV库在开发平台C++上处理由摄像机捕获的图像。摄像机之前使用ZHANG技术进行校准，其中参数是焦距和倾斜焦点像素。在该算法中，开发了图像的直方图分析和分割，允许准确地确定平台相对于障碍物的相对位置和要遵循的运动策略。
2022-05-23 cs.CV cs.RO
Focus Quality Assessment of High-Throughput Whole Slide Imaging in Digital Pathology
University of Toronto（多伦多大学）；Huron Digital Pathology Inc.（休伦数字病理公司）
采用数字病理学工作流程进行临床使用所面临的挑战之一是需要自动化质量控制。由于扫描仪有时会不准确地确定焦点，因此产生的图像模糊会使扫描的载玻片恶化到不可用的程度。此外，当以大于或等于20 X图像分辨率扫描时，扫描的载玻片图像往往非常大。因此，为了使数字病理学在临床上有用，有必要使用计算工具来快速准确地量化图像聚焦质量并确定是否需要重新扫描图像。我们提出了一个无参考聚焦质量评估指标，专门为数字病理图像，操作通过使用偶导数滤波器基地的总和，合成一个人类视觉系统的内核，这是建模为镜头的点扩散函数的逆。然后，将该内核应用于数字病理图像，以修改由扫描仪的光学器件劣化的高频图像信息，并在补丁级别上量化聚焦质量。我们在几个实验中表明，我们的方法与地面实况$z$级数据比其他方法更好地相关，并且计算效率更高。我们还扩展了我们的方法来生成一个本地幻灯片级的焦点质量热图，它可以用于自动幻灯片质量控制，并通过与主观幻灯片质量评分的比较来证明我们的方法在临床扫描质量控制中的实用性。
2018-11-14 cs.CV eess.IV
ContriMix: Scalable stain color augmentation for domain generalization without domain labels in digital pathology
PathAI Inc（PathAI公司）；Spring Discovery（Spring Discovery公司）
针对数字病理图像染色差异导致深度学习模型泛化差、现有颜色增强方法依赖域标签难以规模化的问题，提出基于DRIT++的无域标签增强方法ContriMix，利用小批次样本染色变化与随机混合提取信息生成合成图像，在Camelyon17-WILDS数据集上性能优于同类方法，且鲁棒性强。
2024-03-08 cs.CV cs.LG eess.IV
Survey of XAI in digital pathology
Linköping University（林雪平大学）；Center for Medical Image Science and Visualization, Linköping University（林雪平大学医学影像科学与可视化中心）；Sectra AB
人工智能（AI）在诊断成像评估方面显示出巨大的潜力。然而，人工智能在临床常规中支持医疗诊断的应用面临着许多挑战。这些算法应该具有高的预测精度，但也应该是透明的，可理解的和可靠的。因此，可解释的人工智能（XAI）与这一领域高度相关。我们提出了一个数字病理学，具有特定的特点和需求的医学成像子学科内的XAI的调查。审查包括几个贡献。首先，我们对当前与病理成像中的深度学习方法潜在相关的XAI技术进行了全面概述，并从三个不同方面对其进行了分类。在此过程中，我们将不确定性估计方法作为XAI景观的一个组成部分。我们还将技术方法与数字病理学的特定先决条件联系起来，并提出研究结果以指导未来的研究工作。该调查的对象是技术研究人员和医疗专业人员，目的之一是为跨学科讨论建立共同基础。
2020-08-14 cs.CV cs.LG eess.IV
Toward Actionable Digital Twins for Radiation-Based Imaging and Therapy: Mathematical Formulation, Modular Workflow, and an OpenKBP-Based Dose-Surrogate Prototype
School of Data, Mathematical, and Statistical Sciences, University of Central Florida（中佛罗里达大学数据、数学与统计科学学院）；Institute for Simulation and Training, University of Central Florida（中佛罗里达大学模拟与训练研究所）
本文提出了一种模块化框架，用于辐射成像和治疗中的可操作数字孪生，通过OpenKBP基准测试验证了剂量代理原型，展示了剂量预测、不确定性传播和代理闭环适应的可重复测试平台。
2026-03-26 cs.CV eess.IV stat.AP
