该论文提出了一种结合迁移学习和集成学习方法的新颖方法，以减少训练时间和资源需求，并提出了一个模型来对自然彩色图像和计算机彩色图像进行分类。该模型利用预训练的 VGG16 和 Resnet50 分支，以及 MobileNet v2 或 EfficientNet 特征向量。该模型显示出有希望的结果，准确率在 94.55% 至 99.13% 之间，并具有很低的半总误差率值。该模型在分类性能和泛化能力方面优于现有的最先进模型。

Sep, 2023

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

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

该研究提出了一种基于概率的技术，用于为灰度自然图像着色，具有多个可能的着色方案和适当的随机采样方案，并通过严格的理论框架支持训练过程，达到了强大的实验结果。

May, 2017

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

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

本文研究了基于语言模型的自动图像上色技术，在此框架下发掘图像中的颜色信息，通过不同的语言输入达到对图像的多样化加工，实现更高准确度的着色效果。

Apr, 2018

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