PixColor:像素递归上色
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
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
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
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
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