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

提出了一种混合循环视频着色方案，使用 VCGAN，通过全局特征提取器和占位符特征提取器增强连续性和时空一致性，在颜色鲜艳和图像连续性之间取得良好平衡，并在彩色视频质量和时空一致性方面比现有方法产生了更高质量的结果。

Apr, 2021

本文提出了一种基于对抗学习和语义信息的图像上色方法，该方法使用生成网络来推断给定灰度图像的色度，模型通过全自监督策略进行训练并通过定量和定性实验展示出其失真度更高的优点。

Jul, 2019

本文提出了一种全自动的视频着色方法，该方法结合自我正则化和差异性。通过双边和时间空间中定义的自我正则化损失，可以训练颜色分化网络和空间临近颜色调整网络，该方法在感知损失和差异性的帮助下区分了多种解决方案的模式。实验结果表明，该方法的表现优于现有的视频着色方法。

Aug, 2019

本文提出了一种基于显著性图引导的生成对抗网络 (SCGAN) 框架，用于对灰度图进行自动上色。该方法采用预训练的 VGG-16-Gray 网络的全局特征，通过颜色编码器将其嵌入到颜色化中，可以用较少的数据训练，达到感知上合理的效果。两个分层鉴别器的使用进一步增强了视觉感知性能。在 ImageNet 验证集上，实验结果表明，SCGAN 可以生成比现有技术更合理的上色图像。

Nov, 2020

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

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

提出了首个端到端网络来完成基于示例的视频着色，在保持参考风格的同时实现了时间上的一致性。通过引入循环框架来统一语义对应和颜色传递步骤，利用提供的参考图像来引导每一帧的着色，减少了积累的传播误差，并通过时间一致性损失进一步强制协同着色历史，最终生成稳定性良好且逼真的视频，实验表明，与现有技术相比，在定量和定性方面都具备优越性。

Jun, 2019

该研究提出了一种新的视频着色框架，它将语义对应引入自动视频着色中以保持长程一致性，通过自动着色参考图像来监督整个着色过程，并且引入了语义对应网络和图像着色网络以保持临近帧和长期帧的时间一致性，实验证明该方法在维持时序一致性方面优于其他方法。

May, 2023

本文提出一种基于深度递归编码器 - 解码器的自动化视频着色框架，以维持视频每一帧的颜色连贯性和语境一致性，其中采用高级语义特征提取器自动识别情景背景和物体，并融合空间和时间特征以优化视觉效果。

May, 2023