CLCC：面向色彩恒常性的对比学习
计算机视觉与模式识别
2021-06-10 v1
摘要
在本文中，我们提出 CLCC，一种用于色彩恒常性的新颖对比学习框架。对比学习已被应用于学习用于图像分类的高质量视觉表示。产生对图像分类有用表示的一个关键方面是设计光照不变的数据增强。然而，光照不变假设与色彩恒常性任务的本质相冲突，后者旨在给定原始图像估计光照。因此，我们通过一种新颖的原始域色彩增强构建有效的对比对，以学习更好的光照依赖特征。在 NUS-8 数据集上，我们的方法比强基线提供了 的相对提升，在不开销模型复杂度的前提下达到了最先进性能。此外，我们的方法在 Gehler 数据集上以相比排名靠前的深度学习方法少 的参数取得了有竞争力的性能。更重要的是，我们表明我们的模型对光照相近下不同场景更鲁棒，在数据稀疏区域显著减少了 的最坏情况误差。
引用
@article{arxiv.2106.04989,
title = {CLCC: Contrastive Learning for Color Constancy},
author = {Yi-Chen Lo and Chia-Che Chang and Hsuan-Chao Chiu and Yu-Hao Huang and Chia-Ping Chen and Yu-Lin Chang and Kevin Jou},
journal= {arXiv preprint arXiv:2106.04989},
year = {2021}
}
备注
Accepted at CVPR 2021. Our code is available at https://github.com/howardyclo/clcc-cvpr21