[論文レビュー] INTEL-TUT Dataset for Camera Invariant Color Constancy Research

Çağlar Aytekin, Jarno Nikkanen+1 more|arXiv (Cornell University)|Mar 21, 2017

Color Science and Applications参考文献 31被引用数 11

ひとこと要約

本論文は、カメラに依存しない色温度補正の研究のための包括的なベンチマークであるINTEL-TUTデータセットを紹介する。このデータセットは、3台のカメラで5種類の照照明条件下で撮影されたラボおよびフィールドシーンを含み、登録誤差が最小限である。スペクトル応答、照照明プロファイル、事前に定義された訓練/検証/テスト分割を提供し、CNNベースのベースラインを含むアルゴリズムの公平な評価を可能にする。また、シャドーイング分析のためのモバイルカメラデータも追加されている。

ABSTRACT

In this paper, we provide a novel dataset designed for camera invariant color constancy research. Camera invariance corresponds to the robustness of an algorithm's performance when run on images of the same scene taken by different cameras. Accordingly, images in the database correspond to several lab and field scenes each of which are captured by three different cameras with minimal registration errors. The lab scenes are also captured under five different illuminations. The spectral responses of cameras and the spectral power distributions of the lab light sources are also provided, as they may prove beneficial for training future algorithms to achieve color constancy. For a fair evaluation of future methods, we provide guidelines for supervised methods with indicated training, validation and testing partitions. Accordingly, we evaluate a recently proposed convolutional neural network based color constancy algorithm as a baseline for future research. As a side contribution, this dataset also includes images taken by a mobile camera with color shading corrected and uncorrected results. This allows research on the effect of color shading as well.

研究の動機と目的

• カメラに依存しない色温度補正アルゴリズムの評価のための標準化されたベンチマークの不足に対処すること。
• 制御された環境および実世界の条件下で、3台の異なるカメラによる一貫したシーン撮影を提供すること。
• アルゴリズムのトレーニングと分析を向上させるために、光源のスペクトルパワー分布とカメラのスペクトル応答を含めること。
• 教師あり手法のための事前定義された訓練、検証、テスト分割を通じて、公平な評価を可能にすること。
• モバイルカメラ画像における色シャドーイングの影響を調査するため、補正済みおよび未補正の両方のバージョンを含めること。

提案手法

• 最小限の登録誤差を確保するため、3台の異なるカメラを用いてラボおよびフィールドシーンの画像を収集する。
• ラボシーンは5種類の制御された照照明条件下で撮影され、対応するスペクトルパワー分布が提供される。
• 色温度補正のためのアルゴリズム開発を支援するため、カメラのスペクトル応答を測定し、データセットに含める。
• 教師あり手法の再現可能な評価を保証するため、データセットを訓練、検証、テストの3つに分割する。
• シャドーイング効果の研究のため、補正済みおよび未補正の両方のモバイルカメラ画像を含める。
• データセットの有用性を示すために、CNNベースの色温度補正手法をベースラインとして評価する。

実験結果

リサーチクエスチョン

• RQ1 同じシーンを異なるカメラで撮影した画像に適用した場合、アルゴリズムの性能はどのように変化するか？
• RQ2 カメラおよび照照明のスペクトルデータを活用することで、デバイス間で色温度補正の耐障害性はどの程度向上するか？
• RQ3 モバイルカメラにおける色シャドーイングは、色温度補正アルゴリズムの性能にどのように影響を与えるか？
• RQ4 提案されたデータセットは、新しい色温度補正手法の信頼性と再現可能性のある評価を可能にするか？
• RQ5 CNNベースのベースラインは、カメラに依存しない条件下でINTEL-TUTデータセット上でどの程度の性能を示すか？

主な発見

• INTEL-TUTデータセットは、3台のカメラ間で一貫したシーン撮影がなされた、カメラに依存しない色温度補正の標準化されたベンチマークを提供する。
• 高度なアルゴリズム開発を支援するため、カメラのスペクトル応答と照照明のスペクトルパワー分布が含まれている。
• 色シャドーイングの影響を分析できるように、補正済みおよび未補正の両方のモバイルカメラ画像がデータセットに含まれている。
• CNNベースの色温度補正手法がベースラインとして評価され、データセットの有用性が性能比較の観点から示された。
• 訓練/検証/テストの事前定義済み分割を備えたデータセットは、公開されており、今後の手法の公平で再現可能な評価を保証する。
• データセットはIEEE Transactions on Image Processingに発表されており、ピアレビューによる検証と研究的関連性を確認している。