Apr, 2018

用文字着色：通过基于文本的调色板生成引导图像着色

PDF
TL;DR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。
color palettetext-to-palette generationgenerative adversarial networkscolorizationsemantics
发现论文，激发创造
  • PalGAN：基于调色板生成对抗网络的图像上色

    提出了一种新的基于 GAN 的上色方法 PalGAN，该方法通过集成调色板估计和色彩注意力来解决多模糊性和色彩渗透问题，实验表明该方法在定量评估和视觉比较方面均优于现有方法。

    Oct, 2022

  • 扩散色彩：带文本引导的图像上色

    使用图像扩散技术和细粒度文本提示的新型图像上色框架，实现了既语义合适又能提高用户对上色过程控制水平的上色输出，通过预训练的生成扩散模型进行微调并评估颜色鲜艳度，适用于颜色增强和历史图像上色。

    Dec, 2023

  • 矢量图文档中的多模态色彩推荐

    我们提出了一种多模态蒙版颜色模型，整合了色彩和文本上下文，为图形文档提供了文本感知的颜色推荐。实验证明，我们的方法在准确性、色彩分布、用户体验等方面优于以往的颜色调色板补全方法，以及与真实调色板相似度及色彩多样性方面超过以往的全调色板生成方法。

    Aug, 2023

  • 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

  • 使用文本描述进行图像的多模态着色

    该研究提出了一种基于深度网络和文字描述的图像上色方法，通过对象分割和融合模型实现对包含不同颜色物体的真实场景的颜色一致性上色，性能指标优于现有的上色技术。

    Apr, 2023

  • PixColor：像素递归上色

    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。

    May, 2017

  • 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

  • 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

  • 从语言学习着色

    本文研究了基于语言模型的自动图像上色技术，在此框架下发掘图像中的颜色信息，通过不同的语言输入达到对图像的多样化加工，实现更高准确度的着色效果。

    Apr, 2018

  • 文本到艺术图像生成

    通过神经网络，从文字描述生成一张与特定风格和流派匹配的艺术图片，为手残人士提供一种表达思想和创造的途径。

    May, 2022