MMAug, 2018
带有条件对抗网络的用户指导下深度动漫线条着色
User-Guided Deep Anime Line Art Colorization with Conditional Adversarial Networks
Yuanzheng Ci, Xinzhu Ma, Zhihui Wang, Haojie Li, Zhongxuan Luo
TL;DR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。
Abstract
Scribble colors based line art colorization is a challenging computer vision
problem since neither greyscale values nor semantic information is presented in
line arts, and the lack of authentic illustration-
line artcolorizationgenerative adversarial netsdeep conditional adversarial architecturelocal features network
发现论文,激发创造
使用生成对抗神经网络给 Fakemon 上色的线描艺术着色
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
Scribbler: 用草图和颜色控制深度图像合成
本文提出了一种基于深度对抗图像合成框架,结合草图轮廓和稀疏颜色笔画生成逼真的汽车、卧室或人脸。我们展示了一个基于草图的图像合成系统,允许用户在草图上涂鸦以指示所需对象的首选颜色。该网络是前向的,可以实时看到用户编辑的效果。与最近关于草图到图像合成的研究进行了比较,表明我们的方法可以生成更逼真、更多样和更可控的输出,并且对于灰度图像的用户引导上色也很有效。
Dec, 2016
通过串联对抗网络实现轮廓上色
本研究提出一种利用两个神经网络联合工作的方案,分别基于线条轮廓和彩色方案完成抠图和上色。通过限制传递的彩色方案信息进行泛化,最终实现了从零开始和混乱的彩色方案中进行抠图和上色的自然效果。
Apr, 2017
使用单个训练图像的基于 cGAN 的漫画着色
本研究提出一种基于条件生成对抗网络 (cGAN) 的漫画着色方法,该方法不需要大量训练样本,只需使用一张着色参考图像进行训练。同时,我们还提出了分割和色彩校正方法以缓解出现的模糊和伪像等问题,最终结果清晰、锐利,且保留了原始漫画形象的色彩风格。
Jun, 2017
基于 3D 条件生成对抗网络的自动视频上色
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
基于用户素描和颜色的人脸编辑生成对抗网络 SC-FEGAN
提出了一种基于卷积网络的图像编辑系统,它可以通过自由形式的掩模,草图和颜色作为输入来生成图像,并利用自由形式的用户输入与颜色和形状结合,生成高质量的合成图像。
Feb, 2019