Во-первых, надо определить назначение модели. Модель для определения цветового расстояния (как CIELAB) может абсолютно не подходить для представления палитры для художника (как HSL и HSV) или для изменения яркости фото при константном тоне.
Во-вторых, нужно изучать теорию. Что такое XYZ, что такое illuminant, зачем придумали гамма-коррекцию, как проводились исследования, предшествующие изобретению цветного телевидения и т.п. Поднимать имеющиеся датасеты исследований (по сути это опросы людей в контролируемой среде, т.е. при определённой освещённости) или проводить свои (требуются большие выборки).
В-третьих, нужно применить полученные знания таким образом, чтобы решить обозначенные в первом пункте проблемы и убедиться, что они правда решены, а не просто так кажется.
- естественное смешивание цветов (например, для применения размытия на фотографиях и получения ровных градиентов);
- совпадение с человеческим восприятием (изменения яркости, насыщенности и тона должны восприниматься как полностью независимые);
- удобство создания стилистических эффектов, не связанных с точностью восприятия, таких как кроспроцессинг (не уверен, что понимаю, что это значит).
Есть также
расширенный список, где числятся также требования к условиям освещённости и важность простоты численной обработки.
Потом он свои эксперименты тестировал на соответствие этим критериям по датасетам Munsell и Luo-Rigg. Я сам не специалист, так что почти не понимаю его графики.
Завершил он написанием мануалов по практическому применению и написанием кода для конвертации. Он посчитал, что наиболее уместным будет предоставить код конвертации из sRGB и обратно. Особенно интересен его пост
sRGB gamut clipping, где он выкручивает цветность фотографий далеко за пределы sRGB, но затем старается получить красиво выглядящие на стандартных мониторах изображения.