基于深度学习的表面角度颜色变化建模：利用RGB-D成像技术

《Color Research & Application》：Deep Learning–Based Modeling of Angular Color Variations on Surfaces Using RGB-D Imaging

提出基于深度学习的三维表面角度色变差建模框架，通过整合RGB传感器响应、空间坐标及表面法线等九维特征，有效解决传统多项式回归模型的高维非线性反射问题。实验表明，MLP模型在近0°-45°测量几何下平均色差0.81，逆模型色差1.02，显著优于PR模型的6.39，并展现出极端几何鲁棒性和多区域同步测色潜力。

　　

摘要

本研究提出了一个基于深度学习的框架，用于在标准灯箱条件下，利用低成本的RGB-D成像技术对三维表面上的角度色变化进行建模。该框架采用多层感知器（MLP）模型来处理多角度色不一致性问题，通过整合九维特征信息（包括RGB传感器响应、空间坐标和表面法线）来推断在接近0°:45°测量几何条件下的颜色样本的CIE L*a*b*值。所提出的方法能够有效捕捉高维、非线性的反射行为，而这些行为无法通过传统的多项式回归（PR）模型完全预测。实验结果表明，MLP模型的平均色差为0.81，显著优于PR模型的平均色差（6.39）。反向模型利用0°:45°的色度数据作为输入来预测物体在灯箱条件下的颜色变化，其平均色差为1.02。该框架在极端测量几何条件下表现出良好的稳定性，并在需要同时对三维物体多个局部区域进行精确颜色测量的应用中展现出巨大潜力。

利益冲突

作者声明不存在利益冲突。

数据可用性声明

支持本研究结果的数据可向通讯作者索取。