在白种人或东亚数据集上训练的用于肤色分析（*比色法*）的计算机视觉模型在分析印度尼西亚人的底色（棕褐色、橄榄色、橄榄色）时经常失败。本文回顾了 Cermin Studio AI 如何应用 LAB/CIELAB 照明标准化和基于视觉生物识别的时尚/头巾调色板确定。
核心研究发现
- 全球美容数据集偏向 Fitzpatrick 量表 I - III 类型，导致 64% 的棕褐色皮肤（IV - V 类型）被错误诊断为“暖秋”。
- Cermin Studio AI 在面部像素提取之前使用归一化颜色恒常性模型（Gray-World 和 Retinex）来纠正室内光偏差。
- 12季色彩映射适应眼睛的自然对比度、原始唇色和热带印尼黑色素。
- 以 HP 锁屏壁纸 Color Passport 9:16 的形式数字输出，让消费者在商场挑选衣服或化妆品时更轻松。
家庭照明传统色彩估计模型的弱点
个人色彩分析的准确性很大程度上取决于照明条件。大多数用户在室内用黄色灯泡（*暖白色 2700K*）或荧光灯（*冷日光 6500K*）进行自拍，这会严重扭曲原始肤色。
Cermin Studio AI 采用 68 点面部标志检测架构，隔离脸颊区域（*颧骨区域*）和额头，避免阴影和浓妆。然后将 RGB 值转换到 CIELAB 色彩空间（$L^*、a^*、b^*$），其中 $a^*$ 轴测量绿红色光谱，$b^*$ 轴测量蓝黄色光谱，以客观地确定冷色、暖色或中性底色。
| 分析方法 | 室内光屈光不正率 | 低音分类准确度 | 处理时间 |
|---|---|---|---|
| 全球AI滤镜应用（西） | 42.8% 错误检测 | 准确率 57.2% | 8 - 12 秒 |
| 个人色彩手册顾问 | 低（取决于悬垂面料） | 准确率 88.5% | 60 - 90 分钟（Rp 800,000+） |
| Cermin Studio AI（LAB 标准化） | 2.1% 残余偏差 | 准确率 93.4% | 1.8 秒（通过 QRIS 4,900 卢比） |
抗暗头巾与传统服饰和谐特辑
与国外平台不同的是，Cermin Studio整合了Bali头巾和kebaya面料颜色推荐：帮助用户避免使脸部看起来暗淡或疲倦的头巾颜色，以及推荐突出热带皮肤自然亮度的蜡染和松克面料颜色。
常见问题与技术解析
热带色彩研究的计算机视觉和个人分析的主要发现是什么？
在白种人或东亚数据集上训练的用于肤色分析（*比色法*）的计算机视觉模型在分析印度尼西亚人的底色（棕褐色、橄榄色、橄榄色）时经常失败。本文回顾了 Cermin Studio AI 如何应用 LAB/CIELAB 照明标准化和基于视觉生物识别的时尚/头巾调色板确定。主要发现证明：全球美容数据集偏向 Fitzpatrick 量表 I - III 型，导致 64% 的棕褐色皮肤（IV - V 型）被错误诊断为“暖秋”。
此实施将如何影响 Bali（计算机视觉和人工智能美容科技）的业务运营？
Cermin Studio AI 在面部像素提取之前使用归一化颜色恒常性模型（Gray-World 和 Retinex）来纠正室内光偏差。此外，12色季节映射根据眼睛的自然对比度、真实的唇色和印度尼西亚热带黑色素进行调整。
为什么家用照明标准中传统颜色估计模型的弱点对于自我维持的数字生态系统很重要？
以 HP 锁屏壁纸 Color Passport 9:16 的形式数字输出，让消费者在商场挑选衣服或化妆品时更轻松。整个系统实时运行，支持通过 QRIS 进行卢比支付。