MIMT：基于多任务局部表面与光源颜色学习的多光源色彩恒常方法
计算机视觉与模式识别
2023-08-24 v3
摘要
均匀光源颜色分布的假设在具有多种光源颜色的场景中不再适用。大多数色彩恒常方法旨在处理单一光源颜色，因此在应用于多种光源颜色时会产生误差。多种光源颜色在空间上的变化使得色彩恒常问题更具挑战性，并且需要提取局部表面/光源信息。受此启发，我们提出了一种多任务学习方法来消除单张输入图像中的多种光源颜色。为了在多种光源颜色条件下获得更好的局部表面/光源颜色线索，我们设计了一种新颖的多任务学习框架。我们的框架包含消色差像素检测和表面颜色相似性预测两个辅助任务，分别为局部光源和表面颜色提供更好的线索。此外，为确保我们的模型在光源颜色变化时保持表面颜色的恒常性，我们提出了一种新颖的局部表面颜色特征保持方案。我们证明，在多光源数据集（LSMI）上，与最先进的多光源色彩恒常方法相比，我们的模型取得了47.1%的提升（平均角度误差从4.69降至2.48）。
引用
@article{arxiv.2211.08772,
title = {MIMT: Multi-Illuminant Color Constancy via Multi-Task Local Surface and Light Color Learning},
author = {Shuwei Li and Jikai Wang and Michael S. Brown and Robby T. Tan},
journal= {arXiv preprint arXiv:2211.08772},
year = {2023}
}
备注
8 pages, 6 figures