Potera CMF

Potera CMF是为现代显示设备和实际任务设计的颜色匹配函数数据集，包括10° LMS锥体基础和基于10°锥体基础的XYZ函数。它采用标准CIE方法构建，支持直接集成到光谱颜色科学项目中，在多项评估中实现了最先进的性能，特别是在最小色差下覆盖最多个体观察者方面表现优异。Potera CMF is a color matching function dataset designed for modern display devices and real-world tasks, which includes 10° LMS cone fundamentals and XYZ functions based on the 10° cone fundamentals. It is constructed using standard CIE methodologies, supports direct integration into spectral color science projects, achieves state-of-the-art performance across multiple evaluations, and particularly excels in covering the largest number of individual observers with minimal color differences.

原始信息汇总

数据集概述

• 名称：Potera CMF（Potera 颜色匹配函数）
• 设计目标：面向现代显示设备和真实世界任务，包含 10° 视场的 LMS 锥体基础函数以及基于锥体基础的 XYZ 颜色匹配函数。
• 构建方法：采用标准 CIE 方法推导并发布了必要的基础数据，便于直接集成到光谱颜色科学项目中。

核心特性与性能

• 性能表现：在多个数据集的混合评估中，Potera CMF 在多种指标下达到了最先进水平。
• 关键优势：
  • 以最小色差覆盖最大数量的个体观察者。
  • 在显示匹配任务中相比传统 CMF 具有进一步优势。
• 基准测试方法：提出了新的 CMF 性能比较方法，通过分析色差（dE）与个体观察者覆盖率之间的单调关系，并侧重中段覆盖范围，适当降低亚 JND 区域和严重压缩的极端尾部的影响。

文件内容

• Potera_CMF/：最终的 CMF 表格和图表文件。
• Potera_Benchmarks/：基准测试数据和图表文件。

数据来源与参考文献

• CIE 官方数据集（遵循 CC BY-SA 4.0 许可）：
  • CIE 1931 2° CMF
  • CIE 1964 10° CMF
  • CIE 2015 2° 锥体基础 XYZ
  • CIE 2015 10° 锥体基础 XYZ
• 个体观察者数据与模型：
  • Asano, Fairchild, 和 Blondé (2016) 的个体比色观察者模型
  • Stiles 和 Burch (1955, 1959)
  • Judd–Vos 1978 CMF 数据（来源于 Colour & Vision Research Laboratory）

软件使用

数据处理和图表生成使用了 NumPy、SciPy、pandas、Matplotlib 和 colour-science。

引用

• 引用应使用存档的数据集版本，建议引用实验中使用的具体版本。
• v1.0.0：DOI 为 10.5281/zenodo.21446604
• 所有版本（解析至最新版本）：DOI 为 10.5281/zenodo.21446603
• 学术引用请求不修改 Apache License 2.0 的权限和条件。

图示内容

• CMF 对比图（包含在 Potera_CMF/ 中）。
• 代表性基准测试图（包含在 Potera_Benchmarks/ 中）：
  • D65 目标下所有显示设备的覆盖率趋势图
  • D65 目标下现代智能手机 OLED 白点图
  • KSF LCD 到 WOLED 颜色匹配的各类照明体覆盖率趋势图

搜集汇总

数据集介绍

构建方式

在色彩科学与显示技术快速演进的背景下，Potera CMF数据集应运而生。该数据集基于标准CIE方法，整合了10°视场的LMS锥体响应基础函数与锥体基础衍生出的XYZ颜色匹配函数。其构建过程充分利用了CIE 1931、1964及2015系列官方色度数据集，并融合了Asano、Fairchild与Blondé的个体观察者颜色模型，以及Stiles与Burch的经典视觉实验数据，经过严格的数学推导与光谱数据处理，最终形成一套专为现代显示设备和真实世界任务优化的色匹配函数体系。

特点

Potera CMF数据集的显著特点在于其对现代显示设备的高适配性与卓越的个体观察者覆盖能力。在多项混合使用评估中，该数据集在多种指标下均达到了当前最优性能，尤其在以最小色差覆盖最大数量个体观察者方面表现突出。与传统颜色匹配函数相比，它在显示匹配任务中展现出额外优势。数据集还引入了一种创新的基准评估方法，通过分析色差与个体观察者覆盖率之间的单调关系，聚焦中段覆盖区域，并合理弱化亚JND区域与极端尾部的影响，从而更科学地衡量函数性能。

使用方法

用户可便捷地结合Potera CMF数据集开展光谱颜色科学项目。其GitHub仓库提供了最终的颜色匹配函数表格与图表，存放于Potera_CMF目录下，同时Potera_Benchmarks目录包含用于性能对比的基准数据与可视化结果。数据处理与图形生成依赖于NumPy、SciPy、pandas、Matplotlib及colour-science等标准Python库，便于直接集成到现有工作流中。学术使用时需引用对应版本的Zenodo存档记录，并遵循Apache License 2.0许可条款。

背景与挑战

背景概述

颜色匹配函数（CMF）是颜色科学与工程领域的基石，其定义着如何将物理光谱转换为感知色彩坐标，进而支撑起显示设备校正、色彩管理及视觉感知建模等广泛应用。传统CMF如CIE1931与CIE1964虽已服务数十年，却逐渐暴露出与现代宽色域显示设备、高饱和度色彩内容之间的匹配偏差。针对这一瓶颈，Potera CMF数据集于2024年由Dynamico机构的研究团队创建，旨在为现代显示设备和真实世界任务提供更精准的颜色匹配方案。该数据集基于标准CIE方法推导，涵盖10°视场LMS锥体响应基函数及其衍生的XYZ函数，并经由跨多个数据集的混合评估验证，在个体观测者覆盖率与最小色差综合表现上达到先进水平。Potera CMF的发布不仅为色彩科学研究者提供了可直接集成的光谱数据，更通过其提出的基准评价方法，推动了对CMF性能比较范式的革新，在显示匹配等任务中展现出超越传统CMF的明显优势。

当前挑战

Potera CMF所解决的领域核心挑战在于：传统颜色匹配函数对现代显示设备（如OLED、广色域LCD）和真实世界任务中高频出现的窄带光谱、高饱和度颜色的表征能力不足，导致个体观测者间的色差覆盖不均衡，传统CMF往往无法同时兼顾多数观测者的低色差体验。在构建过程中，研究团队面临数据处理与模型整合的挑战：需从斯托尔斯-伯奇、Judd-Vos以及CIE 2015等异构个体观测者数据集中提取一致的锥体响应谱，并采用标准CIE方法重新拟合出10°视场下的LMS基函数；同时，为确保数据的实际可用性，必须设计一套公正且具有区分度的基准评价方法，该基准要求能够合理忽略亚阈值色差与极端尾部的过度加权，从而聚焦于中间色差范围，精准评估CMF对个体观测者的覆盖能力。

常用场景

经典使用场景

在色彩科学领域，颜色匹配函数（CMF）是连接物理光谱与人类视觉感知的核心桥梁，传统CMF多基于上世纪中期的阴极射线管显示设备构建，难以准确描述现代广色域显示器的颜色表现。Potera CMF专为现代显示设备与真实世界任务设计，提供基于10°视场的LMS锥体敏感度函数及锥体基础XYZ函数，能够精准模拟人眼在不同显示介质上的色彩响应。该数据集最经典的使用场景包括显示设备的白点匹配、跨色域色彩映射以及个体观察者色差覆盖评估，尤其适用于评估OLED、QLED和Micro-LED等新型显示面板在不同照明条件下的颜色保真度。研究者可借助其基准数据，系统比较不同CMF在特定显示设备与环境光照组合下的性能差异，从而为显示校准与色彩管理提供更贴合现代硬件特征的数学基础。

实际应用

在实际产业应用中，Potera CMF展现出显著的实用价值，尤其在高精度色彩校准与跨设备颜色一致性控制领域表现突出。显示设备制造商可基于该数据集的色匹配函数，优化产品出厂白点校准流程，使同一批次或不同型号的屏幕在呈现标准D65光源时达到高度一致的色温表现。影视后期制作与印刷行业可利用其跨照明条件的色彩匹配能力，实现从拍摄、监看到输出的全链路颜色管理，减少因观察者差异导致的色彩偏差。此外，智能手机、平板等消费电子产品的OLED屏幕在显示照片与视频时，可借助Potera CMF的个体覆盖优势，在群体级色差容忍范围内提供更生动的色彩再现，显著提升用户体验的统一性与满意度。

衍生相关工作

Potera CMF的发布已催生了一系列衍生研究与技术探索，推动了色彩科学领域的范式革新。基于其基准测试方法，研究者开发了针对特定显示技术（如KSF荧光粉LCD与WOLED）的配对色匹配评估流程，揭示了不同CMF在混合照明环境下的性能边界。后续工作进一步将其应用于个体化色觉模型校准，结合深度学习框架预测观察者专属的锥体敏感度曲线，实现了从群体统计特征到个性化色彩管理的跨越。在工业层面，已有研究团队将其整合至嵌入式显示驱动芯片的色彩变换算法中，在实时渲染场景下验证了其相较于CIE 1931/1964 CMF的色差降低与覆盖增益。这些衍生工作不仅验证了数据集的基础理论价值，更开创了以观察者包容性为核心的新型色彩工程方法论。