本论文提出了一种基于物体实例的彩色化方法，利用深度神经网络提取物体级别的特征，并采用融合模块组合全图像级别和物体级别的特征来预测最终颜色，大规模实验结果表明该方法优于现有的方法，达到了图像彩色化的最新性能。

May, 2020

本研究提出一种基于抽象记忆的架构，利用机器标注数据，通过查询外部记忆库中与查询问题视觉相似的数据，并将有用的信息写入到抽象记忆中，最终实现了对新领域物体的准确识别。

Dec, 2016

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

我们开发了一个完全自动化的图像上色系统，使用最新的深度网络技术，利用低级别和语义表示，通过预测每个像素的颜色直方图进行训练。无论是在完全自动化的还是部分自动化的上色任务中，我们的方法都优于现有方法。同时，我们也探索使用上色作为自监督视觉表示学习的手段。

Mar, 2016

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

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

本研究以自监督训练为探讨重点，以自动上色作为代理任务取代了 ImageNet 预训练，并在多个任务上评估了模型的性能，结果表明自监督训练比传统的无监督学习方法更具前途，同时进一步探讨了 ImageNet 的预训练范式，通过上色的自我监督提供了与 ImageNet 相似的监督信号

Mar, 2017

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

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

本文提出了一种 Semantic-Sparse Colorization Network (SSCN) 方法，实现了基于模板的着色的正确对应，该方法在定量和定性评估方面优于现有方法。

Dec, 2021