この記事の途中に、以下の記事の引用を含んでいます。
Mapping to the PICO-8 palette, perceptually

なぜ色変換に「知覚」が重要なのか？デジタルアートの最難関を解体

ピクセルアートやレトロゲームの再現、あるいはリミテッド・カラーパレットでの作品制作において「いかに元画像の色彩を再現し、制限されたパレットに落とし込めるか？」は、クリエイターやエンジニアの腕の見せ所です。

この記事は、特にPICO-8というファンタジーコンソールの16色パレットへの自動変換を題材に、「どの色空間でピクセルの色をパレット色にマッピングすれば見た目が良いか？」を、単なる理論や数学モデルにとどまらず、知覚科学まで踏み込んで徹底比較します。

しかも、この問題を「画像の空間的な構造（どこに何の色があるか）」を加味せず、ピクセル単位で純粋な色差だけで機械的に決定する、という制限付きで議論している点が興味深いところです。

記事の核心：知覚的色空間はマッピング最適解か？データと実験で迫る

まず記事では「標準的なアプローチは、RGB空間で画素とパレット色のユークリッド距離を計算し、一番近い色を割り当てる」という通説を紹介します。

“A simple way to map pixels to palette colors is to compute the Euclidean distance between each pixel and palette color, and choose the one with the shortest distance. Note that this method completely discards any structure in the image, which puts a limit on how good the results can look.”

（「パレットへのシンプルなマッピング方法は、各ピクセルとパレット色のユークリッド距離を計算して、一番近いものを選ぶことだ。ただしこの方法は画像の空間構造を完全に無視するため、見た目の限界がある」）

その上で、「より“人間の目”に近い色差を再現するには、RGBの単純な距離よりも高次の色空間（たとえばCAM16-UCSやOklab、CIELAB）を使うべきでは？」という問いを立て、次々に実験結果を披露します。

それぞれの色空間ごとの変換結果画像を比較したところ、

“So, in conclusion, CAM16-UCS didn’t look better than Oklab or weighted CIELAB. All three beat luma-weighted sRGB, though.”

（「結論として、CAM16-UCSはOklabや重み付けCIELABより良くはなかった。とはいえ、どれも輝度で重みづけしたsRGBよりはマシだった」）

という冷静な評価が下されています。また、CAM16-UCS色空間では「観察条件」（部屋の明るさ等）により最適パラメータが異なる点も指摘しています。

知覚的色空間の意義と限界——「色」には魔法以上の複雑さが

色空間の話題において、sRGBはコンピュータで扱いやすい単純な三角構造ですが、その距離感（色同士の“近さ”）は、必ずしも人間が感じる似ている/違うとは一致しません。

CIELAB、Oklab、CAM16-UCSなどは、「均等色空間」の理想を目指し、「ユークリッド距離が知覚距離（見た目の似ている度）」と一致することを志向しています。

これらの色空間を用いて変換することで、たとえば赤紫と赤の違い、明るい緑と黄緑の違いなど、人の視覚的感度の非対称性を多少なりとも反映できます。

一方で記事が強調するのは、「空間的な文脈を無視したピクセル単位の色差評価」自体がそもそも大きな制約であることです。

つまり、グラデーションや滑らかな階調、隣り合う色がどう影響するかといった「画像そのものが持つ文脈」は、色空間の数学的な違いだけではカバーしきれない点が浮き彫りになりました。

“Perhaps this problem is so ill-defined that no color space can help us in a setting where image’s spatial structure is not taken into account.”

（「おそらくこの問題は定義自体が曖昧すぎて、画像の空間構造を加味しない状況では、どんな色空間でもうまくはいかない」）

実際、どんな高度な色空間を使おうと、「どのピクセルにどのパレット色を割り当てるか」を画素ごとに単独で決めてしまえば、「バンディング」（帯状の色むら）や、重要な領域の情報が失われることは不可避です。

Oklab vs CAM16-UCS…決定的な違いは何なのか？新たな課題とヒント

記事内での実験は、Oklab、CAM16-UCS、重み付けCIELABいずれも従来型sRGB方式より明らかに良い見た目を示しましたが、OklabとCAM16-UCSの間で「なぜこんなに差が出るのか？」という疑問を著者自身が投げかけています。

特に注目すべきは、CAM16-UCSが「観察条件」（Average、Dim、Dark）ごとに変わる点で、現実世界の“光環境”を計算モデルに組み込んでいるのが特徴です。

例えば、次のようなPythonコード例が紹介されています。

“`python

sRGBからCAM16-UCSへの変換、観察条件ごとの違い

surround = colour.VIEWING_CONDITIONS_CAM16[“Dim”]
ucs16_image = colour.XYZ_to_CAM16UCS(xyz, surround=surround)

“Average”など他の条件も即座に切り替え

“`

ところが、CAM16-UCSの結果はOklabに比べて「意外なほど異なる」ものになってしまう。これはモデル自身の仮定や、観察条件が現実と大きくずれる場合の影響を考えさせる現象です。

また、「人間の視覚特性」で有名なHelmholtz-Kohlrausch effect（強い色味の刺激が輝度感知にも影響を与える効果）が、多くの色空間モデルでは再現しきれていないことにも言及。“Luminance重視”でグレースケール化した場合、赤や緑だけがやけに目立つ、という失敗例は非常に教訓的です。

「知覚に近い」色空間は究極ではない——人間の目とデジタル画像処理の狭間

私自身、この論考を読んで感じたのは「技術的な最先端を突き詰めても、アルゴリズム単体では知覚の本質に迫りきれない」という現実でした。

色彩の知覚は極めて主観的かつ文脈依存であり、人間の脳が“場の空間”や“明暗差”、“並び順”など多くの補助的手がかりを利用して色を解釈していることが分かります。

だからこそ、ピクセル単位で孤立した色差評価をどんな上等な色空間でやっても、「パレット変換が劇的に美しくなる」保証はありません。

とりわけ、PICO-8のような超限定パレットの場合、
– 色の割り当てに「領域全体の構造」や
– 隣接画素との一貫性
– 作品コンセプト（“ゲームっぽいレトロさ”など）

を加味するアルゴリズム、たとえばクラスター化やディザリング、パレット最適化等との掛け合わせが不可欠に思えます。

今後AIやグラフィックス分野で「意味的な画素単位から、全体設計への移行」がますます進むであろうことも強く予感させるテーマでした。

今日のクリエイターが学ぶべき「技術と知覚のギャップ」

この記事で示された実験や考察は、単なる色空間の理論を超えて、“アートとテクノロジーの接点”を再考させてくれます。

たとえば「カラーリミテーションの中でいかに表現を最大化できるか」「忠実な再現とクリエイティブな省略、どちらを重視すべきか」といった問いは、パレット変換に限らずデジタルアート全般に共通のもの。

本記事の一つの結論である——

“For acceptable quality, I suppose in this task you have to look at the actual image, not just its colors.”

（「十分なクオリティにするには、この課題では個々の色だけでなく“画像そのもの”を見なければならないのだろう」）

——という一文の通り、

アルゴリズムに任せきりではなく、“人間の目”で最終調整し、作品全体の文脈や狙いに合った工夫を加える視点こそが、今後ますます価値を持つはずです。

ピクセルアートやドット絵自動変換などに取り組む方、あるいは色空間アルゴリズムの最適化に興味がある技術者にとって、本記事は「なぜそれが難しいのか――本当の知覚との違いは何なのか？」を理解する良質の示唆になるでしょう。

categories:[technology]