GCC: 컬러 체커 확산을 통한 생성적 색온도 보정

GCC: Generative Color Constancy via Diffusing a Color Checker

February 24, 2025

저자: Chen-Wei Chang, Cheng-De Fan, Chia-Che Chang, Yi-Chen Lo, Yu-Chee Tseng, Jiun-Long Huang, Yu-Lun Liu

cs.AI

초록

색상 항상성(color constancy) 방법들은 종종 서로 다른 카메라 센서 간의 스펙트럼 감도 차이로 인해 일반화에 어려움을 겪습니다. 우리는 GCC를 제안하며, 이는 확산 모델(diffusion model)을 활용하여 조명 추정을 위해 이미지에 컬러 체커를 인페인팅(inpainting)합니다. 우리의 주요 혁신은 다음과 같습니다: (1) 장면 조명을 반영하는 컬러 체커를 인페인팅하는 단일 단계 결정론적 추론 접근법, (2) 체커 구조를 보존하면서 조명에 의존적인 색상 적응을 가능하게 하는 라플라시안 분해(Laplacian decomposition) 기술, (3) 부정확한 컬러 체커 주석을 처리하기 위한 마스크 기반 데이터 증강 전략. GCC는 크로스 카메라 시나리오에서 뛰어난 강건성을 보여주며, 양방향 평가에서 최첨단 최악 25% 오차율인 5.15{\deg}와 4.32{\deg}를 달성했습니다. 이러한 결과는 센서별 훈련 없이도 다양한 카메라 특성에 걸쳐 우리 방법의 안정성과 일반화 능력을 입증하며, 실세계 애플리케이션을 위한 다목적 솔루션으로서의 가능성을 보여줍니다.

English

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.