[论文解读] 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 11

一句话总结

本论文提出了 INTEL-TUT 数据集，这是一个全面的相机无关色彩恒常性研究基准，包含在五种光源下由三台相机拍摄的实验室和户外场景，注册误差极小。该数据集提供了光谱响应、光照分布曲线以及预定义的训练/验证/测试划分，支持对算法（包括基于 CNN 的基线方法）的公平评估，并额外提供了移动相机数据以供阴影分析。

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.

研究动机与目标

• 为解决评估相机无关色彩恒常性算法时缺乏标准化基准的问题。
• 提供在受控环境和真实世界条件下，使用三台不同相机对同一场景进行一致拍摄的数据集。
• 包含光源的光谱功率分布和相机的光谱响应，以提升算法训练与分析效果。
• 通过预定义的训练、验证和测试划分，实现对监督方法的公平评估。
• 通过包含已校正和未校正的移动相机图像，研究色彩阴影的影响。

提出的方法

• 该数据集使用三台不同的相机采集实验室和户外场景图像，注册误差极小，以确保空间一致性。
• 实验室场景在五种不同受控光源下拍摄，并提供了相应的光谱功率分布。
• 测量并包含了相机的光谱响应，以支持色彩恒常性算法的开发。
• 将数据集划分为训练集、验证集和测试集，以确保监督方法评估的可重现性。
• 包含移动相机拍摄的图像，同时提供经过色彩阴影校正和未经校正的版本，用于研究阴影效应。
• 评估了一个基于 CNN 的色彩恒常性方法作为基线，以展示该数据集在实用性和性能比较方面的价值。

实验结果

研究问题

• RQ1 当同一场景由不同相机拍摄时，算法性能如何变化？
• RQ2 相机和光源的光谱数据在多大程度上能提升跨设备色彩恒常性的鲁棒性？
• RQ3 移动相机中的色彩阴影在多大程度上影响色彩恒常性算法的性能？
• RQ4 所提出的数据集能否支持新色彩恒常性方法的可靠且可重现的评估？
• RQ5 在相机无关条件下，基于 CNN 的基线方法在 INTEL-TUT 数据集上的表现如何？

主要发现

• INTEL-TUT 数据集为评估相机无关色彩恒常性提供了标准化基准，三台相机对同一场景的拍摄具有一致性。
• 数据集包含了相机的光谱响应和光源的光谱功率分布，支持高级算法的开发。
• 数据集同时包含经过色彩阴影校正和未经校正的移动相机图像，支持对阴影效应的分析。
• 评估了一个基于 CNN 的色彩恒常性方法作为基线，证明了该数据集在性能比较方面的实用性。
• 该数据集公开提供，并包含预定义的训练/验证/测试划分，确保未来方法评估的公平性与可重现性。
• 该数据集发表于 IEEE Transactions on Image Processing，证实其经过同行评审，具有研究相关性。