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

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

针对不同地理位置采集的卫星图像在波段上存在差异，我们提出了一种语义分割框架，其中关键组件是 Color Mapping Generative Adversarial Networks（ColorMapGAN），它可以生成与测试图像的光谱分布类似的伪造训练图像，在精细调整训练分类器的同时，有效地解决了现有方法在生成满意地图方面存在的问题。

Jul, 2019

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

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

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

灰度图像的自动上色一直是一个具有挑战性的任务。本文复现了基于 GAN 的上色模型，并对其中一种变体进行了实验。我们还提出了一种基于 CycleGAN 的模型，并在各种数据集上进行了实验。结果表明，所提出的 CycleGAN 模型在人脸着色和漫画着色方面表现良好，但缺乏多样化着色的能力。

Jan, 2024

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

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