A Comparative Analysis of Machine Learning Methods for Display Characterization

Abstract

Este artículo explora la aplicación de diversos métodos de aprendizaje automático para caracterizar pantallas con tecnologías LCD, OLED y QLED con el fin de lograr una reproducción precisa del color. Estos modelos se construyen a partir de datos de entrada (datos RGB dependientes del dispositivo) y datos de salida (coordenadas XYZ independientes del dispositivo) obtenidos de tres pantallas diferentes. Los conjuntos de datos de entrenamiento y prueba se elaboran utilizando datos RGB medidos directamente desde las pantallas y sus correspondientes coordenadas XYZ medidas con un colorímetro de alta precisión.

Un aspecto clave de esta investigación es la aplicación de sistemas de inferencia difusa para construir modelos interpretables. Estos modelos no solo logran un buen desempeño en la reproducción del color, sino que también proporcionan información física sobre las relaciones entre las entradas RGB y las salidas XYZ resultantes. Esta interpretabilidad permite una comprensión más profunda del comportamiento de las pantallas.

Además, se compara el rendimiento de los modelos difusos con otros enfoques populares de aprendizaje automático, incluidos los basados en redes neuronales y árboles de decisión. Al evaluar las fortalezas y debilidades de cada método, se busca identificar el enfoque más eficaz para la caracterización de pantallas. La efectividad de cada método se evalúa según su capacidad para reproducir y mostrar colores con precisión, medida mediante la métrica de error visual.

Nuestros hallazgos indican que el método de Modelado e Identificación Difusa (FMID) es particularmente efectivo, ya que permite un equilibrio óptimo entre alta precisión e interpretabilidad. Su rendimiento competitivo en todos los tipos de pantalla, combinado con su valiosa capacidad de interpretación, ofrece información para futuras estrategias de calibración y optimización. Los resultados arrojarán luz sobre si los métodos de aprendizaje automático ofrecen ventajas sobre los modelos físicos tradicionales, especialmente en escenarios con datos limitados. Además, el estudio contribuirá a la comprensión de los beneficios de interpretabilidad que proporcionan los sistemas de inferencia difusa en el contexto de la caracterización de pantallas LCD.