May, 2017

PixColor：像素递归上色

PDF
TL;DR通过训练有条件的 PixelCNN 生成低分辨率的彩色图像，并使用生成的低分辨率图像和原始灰度图像为输入，训练第二个 CNN 生成高分辨率的彩色图像，该方法相比现有方法在 “视觉图灵测试” 中，经过人类评定，产生了更多样和更有可信度的彩色图像。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 自动图像着色

    我们设计和描述了一种模型，可以为灰度图像着色，完全自动且无需人工干预。我们采用卷积神经网络来幻化输入图像，并通过训练数千张图像进行前馈。这种方法取得了开创性的结果。

    Dec, 2023

  • 颜色化变换器

    本文提出了 Colorization Transformer—— 一种基于自注意力的多样化高保真图像上色新方法，其过程包括使用有条件自回归变换器产生低分辨率粗糙的灰度图像以及通过两个完全并行的网络上采样，将这种粗糙着色的低分辨率图片转换为精美的高分辨率图像，并且从这个模型中采样产生出的多样化着色效果整体上优于现有最先进技术，而且人类评估者在 Mechanical Turk 测试中在 60% 以上的情况下喜欢由 Colorization Transformer 生成的图像胜于原始图像。

    Feb, 2021

  • 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

  • 深度范例化彩色化

    本篇论文提出了一种基于深度学习的局部着色方法，通过卷积神经网络，将灰度图像映射到输出彩色图像，该方法不仅可以获得良好的泛化性能，而且用户可以通过提供不同的参考图像来实现自定义结果，同时本文提出的图像检索算法可以自动推荐参考图像，有效地减少了手动选择的工作量。最后，本文还将该方法推广到了视频着色任务中。

    Jul, 2018

  • 深度着色

    本文提出一种高质量的全自动上色方法，利用深度学习技术和巨大规模的参考数据库实现图像上色，通过双边滤波后处理和自适应图像聚类技术来确保无伪影的质量，并在各方面优于现有算法。

    Apr, 2016

  • 基于学习的深度先验的实时用户引导图像着色

    本研究提出了一种基于深度学习的图像上色系统，在输入灰度图像和用户指定信息的情况下，利用卷积神经网络将其映射至彩色图像，并对其进行上色。该系统利用大规模数据集对低级和高级语义信息进行学习，根据现有输入向用户推荐可能的颜色，通过单次前馈传递实现实时操作。实验证明，即使使用随机模拟的用户输入，该系统也能够有效地帮助用户快速创建逼真的彩色图像。

    May, 2017

  • 基于像素级语义的图像自动上色

    该论文提出了使用像素级对象语义来引导图像上色，并使用具有两个分支的分层神经网络，以便学习对象及其颜色，以提高图像上色的真实感和质量，并引入联合双边上采样层以解决边缘颜色渗漏问题。

    Aug, 2018