Just My Life & My Work

7 Conclusions 結論

在這篇論文中,他已經發展一個方法,從影像例子學習色彩和色調的風格,這個方法可以發現在相對應的影像對中色彩和色調的潛在的數學關係。這個框架已成功地應用在兩個情境:

  1. 藉由轉換高階相機的風格來增強低品質的影像
  2. 藉由學習攝影師和設計師的風格來增強影像

Limitations 限制

跟大部分其它數據驅動(data-driven)技術一樣,他所提議的方法需要訓練階段,數據驅動模型必須進行優化,已訓練的數據驅動模型的效能依賴訓練資料的質與量,很幸運地,對影像來說,這不是嚴重的問題。通常一張影像有至少十萬個像素有著不同的色彩和強度,在訓練資料集中影像的總數量不需要非常大,他的色彩和梯度映射可以產生合理好的結果,只要給予一打或具代表性的訓練影像對。

另一個議題是,需要對每個訓練影像對作像素層級(pixel-level)影像校正,特別是當兩張影像對是由不同相機所拍攝,像這樣層級的準確度不是很容易達成,儘管使用現有的影像配準演算法( image registration algorithm)。結果就是,必須依賴使用者提供的約束條件來改善自動化配準的結果,提供這樣約束條件需要某一定數量的手動工作。

翻譯完成後述

哈~總算將這篇論文Example-Based Image Color and Tone Style Enhancement給翻譯完全,發現若要真正瞭解論文的內容就必須細嚼慢嚥,最好能像我這次翻譯的速度一樣!

話說,已經知道這篇論文在搞什麼,接下來就是找出可能的發展的方向,也許可以跟高動態範圍(High Dynamic Range)色調系統(Zone System)發生關係!

索引如下:

Comments on: "[paper] Example-Based Image Color and Tone Style Enhancement – Conclusions" (1)

  1. […] Set平分為兩半,一半是Train Set,一半是Test Set即可,因為我讀了這篇論文Example-Based Image Color and Tone Style Enhancement也這麼做,要是它使用交叉驗證 (Cross […]

隨意留個言吧:)~

在下方填入你的資料或按右方圖示以社群網站登入:

WordPress.com 標誌

您的留言將使用 WordPress.com 帳號。 登出 /  變更 )

Google photo

您的留言將使用 Google 帳號。 登出 /  變更 )

Twitter picture

您的留言將使用 Twitter 帳號。 登出 /  變更 )

Facebook照片

您的留言將使用 Facebook 帳號。 登出 /  變更 )

連結到 %s

This site uses Akismet to reduce spam. Learn how your comment data is processed.

標籤雲

%d 位部落客按了讚: