本文提出了一种基于分类任务的自动化方法，使用卷积神经网络在测试时前向传递来处理图像的着色问题，并且提高了其结果的颜色多样性，相比之前的方法机器生成的着色更加逼真，并且证明了这种自动着色可以作为一项有效的预训练任务，提供了在特征学习领域上最好的性能。

Mar, 2016

使用递归神经网络和傅里叶变换的颜色表示方法，成功应用于生成颜色描述模型，在自然颜色描述的大型语料库上进行条件语言模型任务，不仅可以准确地生成基本颜色术语，还可以生成训练过程中未见过的具有非凸含义的描述词，裸修饰语以及组合短语。

Jun, 2016

本研究展示了一个对于自然语言中颜色修饰的理解模型，该模型比之前在RGB颜色空间中的加法模型能够学习更复杂的变换，同时我们还提出了一个在HSV颜色空间中操作的模型，结果表明针对某些形容词在HSV颜色空间中效果更好，此外我们还训练了一种硬强集成模型，该模型会根据修饰符颜色配对情况来选择颜色空间，实验结果表明与现有基线模型相比，该模型有显著且一致的提升。

Sep, 2019

本文使用多种测量方法对语言间的大量数据进行操作和批判，该方法与在许多语言中的基本颜色术语和其获取顺序相关，同时提出建议将其视为光谱而非二分法。

Oct, 2019

本文探讨了如何在图像搜索引擎中应用颜色作为匹配过程的一个特征，提出了一种基于循环神经网络及历史点击数据学习查询-图像颜色分布表示并结合交叉模式下的匹配模型，并在用户反馈中验证其有效性。

Jun, 2020

通过研究语言学和神经科学，对比不同模型的英文字符嵌入模型，发现LSTMs模型比transformers模型更符合人的认知。同时，ELMo模型和其他模型存在差异。

Jan, 2021

本文通过使用预先训练的语言模型，对颜色的结构性关系进行研究，发现在理解色彩的感知结构方面，较为温暖的颜色比较接近于感知颜色空间。

Sep, 2021

通过Glasgow规范和人类对5000个单词的评分，我们在来自LitBank的作家作品中进行了颜色使用的定量分析，发现名词的具体性随时间显著增加，并提出了计算文学色彩分析的未来研究方向。

Jan, 2023

利用双向长短期记忆网络与主动学习，开发了一种新型模型，旨在桥接我们对无数色调的视觉感知和准确表达与命名它们的能力。这项研究的主要目标是创造一个多功能工具，用于对以前未命名的颜色进行分类和命名，或者识别逃避传统颜色术语的中间色调。通过严谨的实验和分析，这项研究揭示出自然语言处理在各个行业中应用的潜力。通过促进对广阔颜色谱的探索，自然语言处理的潜在应用超越了传统边界。

Nov, 2023

语言理解中的基础是一个活跃的研究领域。以颜色感知和颜色语言为研究基础，通过实证研究发现，颜色空间和语言模型定义的特征空间之间存在相当大的一致性。通过收集包含近100万个颜色及其描述的大规模数据集，进行两种对齐方式的实证分析：（i）跨空间对齐，即学习嵌入空间和颜色空间之间的映射，以及（ii）内部空间对齐，通过提示颜色描述之间的比较。我们的结果表明，尽管对于单词基础、高度实用的颜色描述，颜色空间对齐成立，但在存在主观性和抽象性等真实语言使用元素的示例中，这种对齐性显著降低，这表明在这种情况下可能需要基础。

Nov, 2023