CVPRMay, 2020

基于参考的草图图像着色：增强自身参考和稠密语义对应

PDF
TL;DR本研究提出了一种基于参考图像的自动着色任务的方法，使用几何失真的相同图像作为虚拟参考，以保证着色输出图像的基本真实性和密集语义对应关系，在内部注意机制中利用密集语义对应关系实现了颜色从参考到草图输入的转换，并在定量和定性评估中展示了该方法的有效性。
automatic colorizationreference imagetraining data setsemantic correspondencecolor transfer
发现论文，激发创造
  • 自监督的草图到图像合成

    通过自监督学习，提出了一个基于示例的草图到图像的生成模型，其中包括了使用无需配对的数据生成草图的方法，以及使用自编码器和对抗网络分别实现内容一致性和风格一致性，并在高分辨率图像生成上取得了最新的表现。

    Dec, 2020

  • Sketch3D：风格一致指导的草图生成三维模型

    该论文提出了一种名为 Sketch3D 的新型生成算法，通过形状保持生成过程实例化给定的草图，根据参考图像推断出粗糙的三维高斯先验，并生成基于三维高斯的多视角一致性引导图像，通过三种策略优化三维高斯，从而生成具有真实感的三维资产并与输入一致。

    Apr, 2024

  • 基于深度范例的语义稀疏上色网络

    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

  • 深度着色

    本文提出一种高质量的全自动上色方法，利用深度学习技术和巨大规模的参考数据库实现图像上色，通过双边滤波后处理和自适应图像聚类技术来确保无伪影的质量，并在各方面优于现有算法。

    Apr, 2016

  • 照片与草图之间的密集对应关系学习

    本研究介绍了一种新的素描 - 照片对应基准，PSC6k，其中包含 125 个物体类别上 6250 个素描 - 照片对的 150K 注释，并提出了一种自监督方法，用于学习素描 - 照片对之间的密集对应关系，该方法在精细度和量化上优于其他基线模型，为开发实现更接近人类的不同抽象层次上的视觉图像理解的人工系统提供了有希望的道路。

    Jul, 2023

  • 可调节的草图上色方法：基于参考图像和文本

    该研究论文探讨了基于图像引导的扩散模型在参考图像引导下的素描着色，并提出了两种使用不同图像特征作为条件输入的变种隐式扩散模型，以及相应的调整结果方法。通过定性和定量实验以及用户研究，全面评估了这些模型的性能。

    Jan, 2024

  • 深度范例化彩色化

    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

  • SPColor：基于语义先验指导的基于范例的图像着色

    提出了 SPColor—— 一种基于语义先验引导的模板图像着色框架，它利用未经监督的分割模型提供的语义先验来显式排除不同语义类别之间的不良对应关系，并显著缓解了不匹配问题，在公共数据集上定量和定性地优于最新的现有方法。

    Apr, 2023

  • 无监督草图到照片的合成

    本文首次研究了无监督的手绘草图到照片的合成，提出了一种两阶段翻译任务的方法，添加自监督去噪目标和注意力模块以处理抽象和风格差异，生成的图片忠实于草图且逼真的，并可实现基于草图的图像检索和捕捉人类视觉感知。

    Sep, 2019

  • 基于结构感知扩散模型的素描参考图像合成

    提出了一种基于多输入用户素描图的图像合成模型，可以使用户编辑或完整地生成所需的具有结构和内容的图像，通过实验证明了该模型能够在图像合成和编辑方面提供独特的用例。

    Mar, 2023