Calibrated color mapping between LCD and CRT displays: A case study
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
Abstract The primary goal of a color characterization model is to establish a mapping from digital input values d i ( i = R,G,B) to tristimulus values such as XYZ . A good characterization model should be fast, use a small amount of data, and allow for backward mapping from tristimulus to d i . The characterization models considered here are for the case of an end user who has no direct knowledge of the internal properties of the display device or its device driver. Three characterization models tested on seven different display devices are presented. The characterization models implemented in this study are a 3D look up table (LUT) (Raja Balasubramanian, Reducing the Cost of Lookup Table Based Color Transformations, Proc IS&T/SID 7th Color Imaging Conference 1999;44:321–327 ), a linear model (Fairchild MD, Wyble DR. Colorimetric Characterization of the Apple Studio Display (Flat Panel LCD). Munsell Color Science Laboratory Technical Report, 1998), and the masking model (Tamura N, Tsumura N, Miyake. Masking Model for accurate colorimetric characterization of LCD. Proc IS&T/SID 10th Color Imaging Conference 2002;312–316 ). The devices include two CRT monitors, three LCD monitors, and two LCD projectors. The results of this study indicate that a simple linear model is the most effective and efficient for all devices used in the study. A simple extension to the linear model is presented, and it is demonstrated that this extension improves white prediction without causing significant errors for other colors. © 2005 Wiley Periodicals, Inc. Col Res Appl, 30, 438–447, 2005; Published online in Wiley InterScience (www.interscience.wiley.com). DOI 10.1002/col.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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