MétaCan
Menu
Retour à la cohorte
Enregistrement W2026733588 · doi:10.1117/12.475436

Neutralizing paintings with a projector

2003· article· en· W2026733588 sur OpenAlexaff
Ian E. Bell

Notice bibliographique

RevueProceedings of SPIE, the International Society for Optical Engineering/Proceedings of SPIE · 2003
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueColor Science and Applications
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésPaintingProjectorGamutComputer graphics (images)Computer scienceComputer visionArtificial intelligenceLightnessColor imageRGB color modelArtImage (mathematics)Image processingVisual arts

Résumé

récupéré en direct d'OpenAlex

A painting needs illumination to be visible. If the illumination is provided by an LCD data projector, different regions of the painting can be illuminated separately. Modern projectors have large color gamuts and can provide a wide range of illumination effects. One possible effect is to project a captured digital image of the painting onto the painting; the resulting superposition of like colors intensifies the contrast and saturation of the image. The opposite effect is to project the complement of the image onto the painting to "neutralize" it. When carefully done, with correct registration, the painting fades into a nearly uniform gray. Although a simple idea, in practice it is not trivial to accurately find the complementary color for each part of the painting, even when it is captured by a calibrated digital camera. This research examines the problems of accurately capturing the image, combining the projector gamut with typical paint reflectances, and determining the available range of complementary projector colors and the final lightness of the neutral image. The work was initially inspired by a student's fine art project, wherein computer animation was superimposed on a painting, bringing it to life.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,044

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0020,003
Science ouverte0,0010,004
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0130,003

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,011
Tête enseignante GPT0,231
Écart entre enseignants0,220 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2003
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of SPIE, the International Society for Optical Engineering/Proceedings of SPIEMême sujetColor Science and ApplicationsTravaux en français237 207