该研究提出了一种基于深度有条件敌对生成网络和本地特征网络的漫画线画自动上色方法，通过训练更加真实的图像数据，获得更好的视觉效果。
Aug, 2018
本文提出了一种完整的方法来为 Fakemon、动漫风格的怪物图像上色。我们使用自动化提取颜色提示的算法训练网络，并将 Pix2Pix 和 CycleGAN 方法结合起来生成最终结果，但上色效果仍有待提高。
Jul, 2023
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
该研究提出了一种使用基于条件生成对抗网络的图标设计系统，可帮助设计师更轻松地完成图标的着色任务，并且实现了较高质量的着色效果。
Oct, 2019
本文介绍了一种基于敌对生成网络的图像着色方法，可以实现在动漫制作领域中对线描进行快速稳定的着色，从而加快制作进度，减少成本。
Apr, 2019
本文提出一种利用生成对抗网络进行视频自动上色的方法，采用三维卷积层和反卷积层进行操作并结合亮度信息，在黑白电影数据集上获得成功，使用新提出的指标对上色结果的一致性进行数值验证。
May, 2019
本文提出了一种新的自动绘画模型，用于解决黑白素描自动上色问题，实验结果表明自动绘画模型的性能优于现有的图像合成方法。
May, 2017
本文提出了一种新颖的基于记忆的着色模型 MemoPainter，通过使用阈值三元组损失实现了非监督训练，能够在有限的数据下实现高质量的着色，尤其适用于少样本学习任务。
Jun, 2019
该论文提出了一种结合迁移学习和集成学习方法的新颖方法，以减少训练时间和资源需求，并提出了一个模型来对自然彩色图像和计算机彩色图像进行分类。该模型利用预训练的 VGG16 和 Resnet50 分支，以及 MobileNet v2 或 EfficientNet 特征向量。该模型显示出有希望的结果，准确率在 94.55% 至 99.13% 之间，并具有很低的半总误差率值。该模型在分类性能和泛化能力方面优于现有的最先进模型。
Sep, 2023
该论文提出了一种新的方法来根据输入的文本生成多个颜色调色板，并根据生成的颜色调色板对给定的灰度图像着色。该模型能够理解文本的语义，并从中生成多个可能的颜色调色板。经评估结果表明，使用该模型生成的调色板优于真实的调色板，并且该模型在对图像进行着色时能够有效反映给定的调色板。
Apr, 2018