Aplicación de técnicas de machine learning para la predicción de diferencias de color percibidas

Abstract

En este trabajo se aborda el problema de la estimación de diferencias de color percibidas por el ojo humano a partir de datos experimentales, con el objetivo de evaluar si los modelos basados en aprendizaje automático pueden superar a las fórmulas tradicionales como CIEDE2000 en términos de precisión perceptual. Para ello, se ha hecho uso de cinco bases de datos validadas por expertos en colorimetría, las cuales contienen pares de colores representados en el espacio CIELAB junto con sus correspondientes diferencias perceptuales obtenidas mediante ensayos visuales con observadores humanos. A partir de estos datos, se ha desarrollado un conjunto de modelos de predicción, entre los que destaca una red neuronal artificial (ANN) entrenada con PyTorch. Dicho modelo ha mostrado un rendimiento superior al de la fórmula estándar CIEDE2000 en la métrica de evaluación STRESS. El proceso incluyó una normalización de los datos, optimización de hiperparámetros, la evluación de distintos tipos de modelos supervisados y la validación en diferentes bases de datos para asegurar la robustez de los resultados. Los resultados obtenidos sugieren que el enfoque basado en datos puede capturar de forma más precisa las sutilezas de la percepción visual del color, lo que abre la puerta al desarrollo de métricas más adaptadas a contextos específicos. Finalmente, se proponen líneas de trabajo futuro centradas en la mejora del preprocesamiento, la incorporación de nuevos conjuntos de datos, y la exploración de arquitecturas de modelos más complejas.

This work addresses the problem of estimating color differences perceived by the human eye based on experimental data, with the aim of evaluating whether machine learning models can outperform traditional formulas like CIEDE2000 in terms of perceptual accuracy. To this end, five databases validated by experts in colorimetry were used. These databases contain pairs of colors represented in the CIELAB color space along with their corresponding perceptual differences, obtained through visual experiments with human observers. Based on these data, a set of predictive models were developed, among which an artificial neural network (ANN) trained with PyTorch stands out. This model showed superior performance compared to the standard CIEDE2000 formula using the STRESS evaluation metric. The process included data normalization, hyperparameter optimization, evaluation of various types of supervised models, and validation across different datasets to ensure the robustness of the results. The findings suggest that data-driven approaches can more accurately capture the subtleties of human color perception, paving the way for the development of metrics better suited to specific application contexts. Finally, future work is proposed in the direction of improved preprocessing, integration of new datasets, and exploration of more complex model architectures.