IMPROVEMENT OF COLORIZATION REALISM VIA THE STRUCTURE TENSOR
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Colorization is a color manipulation mechanism employing user-assisted color hints for changing grayscale images into colored ones. Several colorization algorithms have been constructed, and many of these methods are able to produce appropriately colorized images given a surprisingly sparse set of hints supplied by the user. However, these color images may not in fact look realistic. Moreover, the contrast in the colorized image may not match the gradient perceived in the original grayscale image. We argue that it is this departure from the original gradient that contributes to the unreal appearance in some colorizations. To correct this, we make use of the Di Zenzo gradient of a color image derived from the structure tensor, and adjust the colorized image such that the Di Zenzo definition of the maximum-contrast gradient agrees with the gradient in the original gray image. We present a heuristic method to this end and guided by this approach devise an optimization-based method. Our gradient projection tends to result in more natural-looking images in the resulting adjusted colorization. To explore the proposed method we utilize minimalist sets of color hints and find in particular that "hotspots" of unrealistic color are subdued into regions of more realistic color. This paper is not aimed at introducing a new basic colorization but instead our method is meant to make any colorization look more realistic; we demonstrate that this is the case for several different basic methods. In fact, we even find that a very simplistic colorization algorithm can be used provided the projection proposed here is then used to make the colorization more realistic looking.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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