物体的表面颜色受到场景光照的影响,使同一物体在不同颜色的光照下产生偏色现象。人类视觉系统具有识别出物体本身颜色的知觉特性,这种知觉特性叫做颜色恒常性。如今人工智能发展进入落地赋能阶段,越来越多的任务需要计算机具有颜色恒常性能力,因此,颜色恒常性算法的研究在计算机视觉的发展中扮演着不可或缺的角色。为了使计算机具有像人类一样的这种知觉特性,使物体在不同的场景光照下仍然可以呈现出相同的颜色,为计算机视觉的其它任务提供稳定的颜色特征,计算机视觉中也发展出了颜色恒常性算法。本文通过深度学习技术解决颜色恒常性算法中存在的问题,根据目前颜色恒常性算法中存在的问题设计网络模型,进一步提高颜色恒常性算法的精确性与稳定性。本文主要进行了以下两方面的研究:1.渐进式多通道置信度加权颜色恒常性算法。渐进式多通道置信度加权颜色恒常性算法通过三个卷积支路分支从不同尺度提取图像中的特征信息进行融合,通过级联方式将浅层的边缘特征信息与深层的细粒度特征信息相结合得到更加丰富的特征信息,之后通过对图像中三个通道的特征进行置信度加权,区分出有用数据和噪音数据,充分利用图像中可以为光源估计提供更多信息的特征估计光源,防止通道中的权重相互抵消,避免了各个通道中可以为光源估计提供更多信息的特征在跨通道交互过程中丢失,进一步提高了颜色恒常性算法的精确性。同时,渐进式网络结构通过加权累计角度误差损失函数实现了从粗到细的网路优化,解决了颜色恒常性算法在面对复杂场景光源或者极端光源时无法准确估计出光源的问题,提高了颜色恒常性算法在面对复杂场景光照环境以及极端光照环境时算法的鲁棒性与稳定性。2.协同生成网络颜色恒常性算法。目前基于深度学习的颜色恒常性算法大多数为有监督的算法,需要大量带有场景光源标签的图像数据,数据集不足对颜色恒常性算法的精确性造成了一定的限制。协同生成网路基于协同互助的思想,只需要少量带有场景光源标签的图像数据对网络结构进行辅助训练,解决了颜色恒常性算法中数据量不足的问题。同时,协同生成网络将以往颜色恒常性算法中光源估计问题转化为物体本身的颜色特征提取问题,通过直接生成标准光源下的图像减少了颜色恒常性算法解的空间,从而提高了颜色恒常性算法在面对复杂场景光照或者极端光源环境时的精确性,增强了颜色恒常性算法的泛化性和模型的鲁棒性。