通过增强亮度鲁棒性提升深色色彩恒常性中的 illuminant 估计
计算机视觉与模式识别
2025-02-19 v1 人工智能
摘要
色彩恒常性估计 illuminant 色度以纠正受色彩偏置的图像。最近的深度神经网络驱动的色彩恒常性（DNNCC）模型取得了显著进展。然而，由于深度神经网络的脆弱性，DNNCC 模型潜在风险尚未被充分探讨。本文从鲁棒性角度出发，首次考察色彩恒常性-亮度因素对 DNNCC 的影响。我们的评估显示，尽管一些主流 DNNCC 模型专注于色度估计，但它们对亮度变化极其敏感。这为现有 DNNCC 模型的局限性指明了可能性：其对亮度的敏感性可能阻碍实际场景中存在广泛亮度变化的数据集上的性能。基于我们的分析，我们提出一种简单而有效的亮度鲁棒性增强策略，用于 DNNCC 模型，称为 BRE。BRE 的核心基于自适应步长对抗性亮度增强技术，识别高风险亮度变化并通过显式亮度调整生成增强图像。随后，BRE 开发了一种亮度鲁棒性感知的模型优化策略，将对抗性亮度训练和亮度对比损失相结合，显著提升了 DNNCC 模型的亮度鲁棒性。BRE 无需调参，可在不增加测试阶段开销的条件下集成到现有 DNNCC 模型中。在两个公开色彩恒常性数据集 ColorChecker 和 Cube+ 上进行的实验表明，所提出的 BRE 在六个主流 DNNCC 模型上均能一致提升其 illuminant 估计性能，平均降低估计误差 5.04%，凸显了增强亮度鲁棒性在这些模型中的重要性。
引用
@article{arxiv.2502.12418,
title = {Boosting Illuminant Estimation in Deep Color Constancy through Enhancing Brightness Robustness},
author = {Mengda Xie and Chengzhi Zhong and Yiling He and Zhan Qin and Meie Fang},
journal= {arXiv preprint arXiv:2502.12418},
year = {2025}
}