GCC: Generative Color Constancy via Diffusing a Color Checker

要約

色の恒常性の方法は、さまざまなスペクトル感度のために、さまざまなカメラセンサー全体で一般化するのに苦労しています。
GCCを提示します。GCCは、拡散モデルを塗装台のチェッカーにレバレッジして、照明推定のために画像にレバリットします。
私たちの主要な革新には、（1）シーンの照明を反映した塗装の色のチェッカーを塗装するシングルステップの決定論的推論アプローチ、（2）照明依存の色の適応を可能にしながらチェッカー構造を保持するラプラシアン分解技術、および（3）マスクベースのデータ
不正確なカラーチェッカー注釈を処理するための増強戦略。
GCCは、クロスカメラシナリオで優れた堅牢性を示し、双方向評価で最新の最悪25％のエラー率が5.15 {\ deg}および4.32 {\ deg}のエラー率を達成します。
これらの結果は、センサー固有のトレーニングを必要とせずに、さまざまなカメラの特性にわたる方法の安定性と一般化能力を強調し、実際のアプリケーションに汎用性の高いソリューションになります。

要約(オリジナル)

Color constancy methods often struggle to generalize across different camera sensors due to varying spectral sensitivities. We present GCC, which leverages diffusion models to inpaint color checkers into images for illumination estimation. Our key innovations include (1) a single-step deterministic inference approach that inpaints color checkers reflecting scene illumination, (2) a Laplacian decomposition technique that preserves checker structure while allowing illumination-dependent color adaptation, and (3) a mask-based data augmentation strategy for handling imprecise color checker annotations. GCC demonstrates superior robustness in cross-camera scenarios, achieving state-of-the-art worst-25% error rates of 5.15{\deg} and 4.32{\deg} in bi-directional evaluations. These results highlight our method’s stability and generalization capability across different camera characteristics without requiring sensor-specific training, making it a versatile solution for real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google