Perceptual Color Difference Modeling Using Machine Learning and Human Similarity Judgments

📄 arXiv: 2609.39130v1 📥 PDF

作者: Elnara Kadyrgali, Muragul Muratbekova, Adilet Yerkin, Nuray Toganas, Ayan Igali, Malika Ziyada, Aruzhan Burambekova, Jamaladdin Hasanov, Pakizar Shamoi

分类: cs.CV, cs.HC

发布日期: 2026-09-30

备注: This manuscript has been submitted to IEEE Access for consideration

💡 一句话要点

基于机器学习的人类相似性判断模型提升色差评估准确性

🎯 匹配领域: 支柱五：交互与反应 (Interaction & Reaction)

关键词: 色差评估 机器学习 人类感知 回归模型 COLIBRI 视觉计算 数据驱动

📋 核心要点

  1. 现有的色差度量方法在与人类感知判断的一致性上存在不足，影响了实际应用效果。
  2. 本研究提出了一种基于人类相似性判断的数据驱动色差估计方法，通过收集大量人类评估数据进行模型训练。
  3. 实验结果显示，使用COLIBRI特征的LightGBM模型在色差预测上表现最佳，R2值达到0.703，显著优于传统方法。

📝 摘要（中文）

准确评估色差对数字设计和质量控制等应用至关重要。现有的色差度量方法，如CIEDE2000，虽然旨在近似人类感知，但仍可能与感知判断存在不一致。本研究探讨了一种基于人类评估的色差估计数据驱动方法。我们收集了2000对系统生成的颜色对的相似性判断，并使用四点序数评分，由七名观察者进行评分。这些判断用于训练不同颜色表示下的回归模型，包括RGB通道差异、HSI差异和COLIBRI模糊语言类别。实验表明，颜色模型的选择对预测性能的影响大于回归算法的选择。使用COLIBRI特征的线性回归达到R2为0.595，优于RGB和HSI表示的R2值。LightGBM结合表示的最佳性能达到R2为0.703，结果表明，数值颜色坐标与分级感知类别结合时，更能捕捉人类感知的色差。

🔬 方法详解

问题定义：本研究旨在解决现有色差度量方法与人类感知判断之间的不一致性问题。现有方法如CIEDE2000虽然有一定的理论基础，但在实际应用中常常无法准确反映人类的色差感知。

核心思路：论文提出了一种基于人类相似性判断的色差估计方法，通过收集人类对颜色对的相似性评分，利用这些数据训练回归模型，从而更准确地捕捉人类的色差感知。

技术框架：研究流程包括收集2000对颜色的相似性判断，使用四点序数评分系统进行评估，然后基于不同颜色表示（如RGB、HSI和COLIBRI）训练回归模型。最后，通过比较不同模型的预测性能，确定最佳的颜色表示和算法组合。

关键创新：本研究的创新点在于引入了COLIBRI模糊语言类别作为颜色表示，结合人类评估数据进行模型训练，显著提升了色差预测的准确性。这一方法与传统的数值计算方法有本质区别，强调了人类感知在模型构建中的重要性。

关键设计：在模型训练中，采用了多种回归算法进行比较，包括线性回归和LightGBM。COLIBRI特征的使用使得模型在捕捉人类感知方面表现优异，线性回归的R2值为0.595，而LightGBM结合表示的最佳性能达到R2为0.703。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，使用COLIBRI特征的线性回归模型在色差预测中取得了R2为0.595的成绩，而LightGBM结合表示的最佳性能则达到了R2为0.703，显著优于传统的RGB和HSI表示，后者的R2值分别为0.479和0.493，显示出数据驱动模型在色差估计中的优势。

🎯 应用场景

该研究的成果在数字设计、印刷、纺织等多个领域具有广泛的应用潜力。通过更准确的色差评估，可以提升产品的质量控制和用户体验，尤其是在需要精确色彩匹配的场景中。此外，未来的研究可以进一步探索如何将该方法应用于其他感知领域，如图像处理和视觉艺术。

📄 摘要（原文）

Accurate assessment of color differences is essential for applications ranging from digital design to quality control. While existing color difference metrics, such as CIEDE2000, aim to approximate human perception, they may still exhibit inconsistencies with perceptual judgments. In this study, we investigate a data-driven approach to color-difference estimation based directly on human evaluations. We collect similarity judgments for 2,000 systematically generated color pairs, each rated by seven observers using a four-point ordinal scale. These judgments are then used to train regression models using different color representations, including RGB channel differences, HSI differences, and COLIBRI fuzzy linguistic categories. Experiments with five regression algorithms show that the choice of color model has a greater influence on prediction performance than the choice of regression algorithm. Using COLIBRI features alone, linear regression achieves an R2 of 0.595, outperforming RGB and HSI representations, which achieve R2 values of 0.479 and 0.493, respectively. The best performance is obtained by LightGBM using the combined representation, reaching an R2 of 0.703. The results indicate that human perceptual color differences are better captured when numerical color coordinates are complemented by graded perceptual categories, highlighting the potential of data-driven models for perceptually aligned color-difference estimation.