CVPRDec, 2016

学习多样化的图像上色

PDF
TL;DR使用变分自编码器 (VAE) 建立灰度图像到多种可能颜色映射的条件模型，利用多模态分布的采样得到表现出长程空间协调性的多样性上色结果。与条件卷积变分自编码器（CVAE）和条件生成对抗网络（cGAN）方法相比，多模态变量 (VAE) 方法能够获得更好的多样性上色效果。
colorizationvariational autoencodermulti-modal distributiondiverse colorizationsspatial co-ordination
发现论文，激发创造
  • 通过生成对抗网络实现无监督多样化着色

    本文介绍了一种使用条件生成式对抗网络解决无监督多样化上色问题的方法，并在 LSUN 卧室数据集上表现出高竞争性和高可信度的着色结果。

    Feb, 2017

  • 多样化上色的结构一致性与可控性

    该研究开发了一种基于条件随机场的变分自编码器公式，能够在考虑结构一致性的同时实现多样性，并引入可控机制来融合来自各种来源的外部约束，从而在 LFW、LSUN-Church 和 ILSVRC-2015 数据集上获得更多多样化和全局一致性的着色。

    Sep, 2018

  • DualVAE：控制生成和真实图像的颜色

    本文提出了一种名为 DualVAE 的混合表示模型，通过学习颜色和几何特征的分离表示来控制彩色属性，这种模型可以通过转移来自示例图像的颜色潜在表征来重新着色现有图像，并且在各种数据集上表现出比 VQ-GAN 更好的 FID，包括动画面孔，标志和艺术景观。

    May, 2023

  • 应用生成式色彩先验实现鲜艳多样的图像上色

    本文提出了一种称为 GCP-Colorization 的自动上色方法，它利用先前预训练的生成对抗网络（GAN）中丰富且多样化的颜色先验知识，并利用 GAN 编码器 “检索” 匹配特征，然后通过引入特征调节到上色过程中，实现了单次前向传递产生生动颜色的效果，此外，该方法具有可解释性和可控性，并能够通过修改 GAN 潜在代码获得不同的结果。

    Aug, 2021

  • 通过自标记条件变分自编码器提高多样文本生成

    本文介绍了一种基于自标记变分自编码器（SLCVAE）的方法，以解决 CVAE 模型中 KL-vanishing 问题，提高文本生成多样性。同时，提供了一个大型本地一对多数据集，支持此方法的研究。

    Mar, 2019

  • 像素化的语义着色

    使用卷积神经网络、自回归模型以及像素化对象语义来引导图像上色，结果在 PASCAL VOC2012 和 COCO-stuff 上表现更好。

    Jan, 2019

  • 概率图像着色

    该研究提出了一种基于概率的技术，用于为灰度自然图像着色，具有多个可能的着色方案和适当的随机采样方案，并通过严格的理论框架支持训练过程，达到了强大的实验结果。

    May, 2017

  • 彩色图像上色

    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

  • 实例感知图像上色

    本论文提出了一种基于物体实例的彩色化方法，利用深度神经网络提取物体级别的特征，并采用融合模块组合全图像级别和物体级别的特征来预测最终颜色，大规模实验结果表明该方法优于现有的方法，达到了图像彩色化的最新性能。

    May, 2020

  • ChromaGAN: 对抗性图片着色与语义类别分布

    本文提出了一种基于对抗学习和语义信息的图像上色方法，该方法使用生成网络来推断给定灰度图像的色度，模型通过全自监督策略进行训练并通过定量和定性实验展示出其失真度更高的优点。

    Jul, 2019