Modelos de aprendizaje automático para caracterización de pantallas

Abstract

[ES] El problema de la caracterización se centra en comprender y optimizar la forma en que los sistemas de visualización reproducen el color. En el caso de los monitores, al especificar un color en coordenadas RGB se muestran colores distintos si la pantalla es diferente. Esto se debe a que los valores RGB son únicos para cada dispositivo, pues cada uno de ellos tiene una forma particular de emitir los colores, ya sea por la calidad de los componentes, calibración u otros factores. Esta diversidad motiva la necesidad de que deba existir espacios de representación de color que sean independientes del dispositivo, como las coordenadas XYZ. Por tanto, el problema de la caracterización trata de relacionar, para cada dispositivo, las coordenadas RGB con coordenadas independientes XYZ. El objetivo es garantizar que el color especificado y representado sea consistente en todos los dispositivos, sin importar las diferencias individuales. Para lograr este objetivo, los tipos de modelos utilizados en este trabajo son de aprendizaje automático para regresión, específicamente el Random Forest Regressor (RFR) y el Support Vector Regressor (SVR). Además, estos modelos tienen un enfoque inverso, el cual trata de predecir los colores de entrada RGB de ese monitor a través de los colores de salida. En este caso las coordenadas XYZ representan el color real emitido por la pantalla y que es independiente al dispositivo, por lo que estos datos se utilizan para determinar los valores RGB que se han de introducir para cada monitor. Para calcular la representación RGB se ha realizado un modelo independiente para cada valor de estas coordenadas, es decir, un modelo para la R, otro para la G y otro para la B. Una vez escogido el modelo con menor error MSE para cada componente de color, se han unido para constituir el total de la coordenada, por lo que el resultado RGB puede ser una mezcla de los modelos anteriormente mencionados. Finalmente, se han emitido los colores de las predicciones para averiguar el error visual real de cada modelo. En cuanto a los dispositivos seleccionados en este estudio, se han seleccionado dos tipos de monitores diferentes, el tipo LCD y el QLED. Las pantallas LCD son las más comunes y ampliamente utilizadas debido a su bajo coste, buena calidad de imagen y su antigüedad en el mercado. En cambio, los monitores QLED son más recientes y utilizan una nueva tecnología para mejorar la representación del color y contraste. El modelo que menor error visual ha obtenido en ambos tipos de monitores ha sido el SVR, el cual ha tenido un menor error en los colores con más luminancia. El segundo modelo ha sido la mezcla que tienen componentes de ambos modelos, y por último el RFR. Los 3 modelos han tenido un error visual en ambas pantallas entre 1 y 2, por lo que el error es perceptible para algunas personas, pero se puede dar como válido en algunos contextos.

[EN] The problem of characterization focuses on understanding and optimizing how display systems reproduce color. In the case of monitors, specifying a color in RGB coordinates shows different colors if the screen is different. This is because RGB values are unique to each device, as each one has a particular way of emitting colors, whether due to the quality of the components, calibration, or other factors. This diversity motivates the need for color representation spaces that are device-independent, such as XYZ coordinates. Therefore, the problem of characterization seeks to relate, for each device, RGB coordinates with independent XYZ coordinates. The goal is to ensure that the specified and represented color is consistent across all devices, regardless of individual differences. To achieve this goal, the types of models used in this work are machine learning models for regression, specifically the Random Forest Regressor (RFR) and the Support Vector Regressor (SVR). Additionally, these models have an inverse approach, which aims to predict the input RGB colors of that monitor through the output colors. In this case, the XYZ coordinates represent the actual color emitted by the screen and are device-independent, so these data are used to determine the RGB values to be input for each monitor. To calculate the RGB representation, an independent model has been created for each of these coordinate values, i.e., one model for R, another for G, and another for B. Once the model with the lowest MSE error for each color component was chosen, they were combined to form the total coordinate, so the RGB result can be a mix of the aforementioned models. Finally, the predicted colors were emitted to determine the real visual error of each model. Regarding the devices selected in this study, two different types of monitors were chosen: LCD and QLED. LCD screens are the most common and widely used due to their low cost, good image quality, and longevity in the market. In contrast, QLED monitors are more recent and use new technology to improve color representation and contrast. The model that achieved the lowest visual error in both types of monitors was the SVR, which had the least error in colors with higher luminance. The second model was the mix that includes components from both models, and finally, the RFR. All three models had a visual error on both screens between 1 and 2, meaning the error is noticeable to some people but can be considered acceptable in some contexts.