Jul, 2022

BigColor: 自然图像生成式颜色先验着色

PDF
TL;DR本研究提出了一种名为 BigColor 的彩色图像上色方法，通过学习生成色彩先验来减轻以前的生成先验对图像结构和颜色的合成负担，并使用一种基于 encoder-generator 网络的方法来扩展其表示空间以覆盖各种野外图像结构，提供了具有极强表现力和多模彩色方案的彩色图像上色模型。
colorizationgenerative priorsbigcolorencoder-generator networkin-the-wild images
发现论文，激发创造
  • 应用生成式色彩先验实现鲜艳多样的图像上色

    本文提出了一种称为 GCP-Colorization 的自动上色方法，它利用先前预训练的生成对抗网络（GAN）中丰富且多样化的颜色先验知识，并利用 GAN 编码器 “检索” 匹配特征，然后通过引入特征调节到上色过程中，实现了单次前向传递产生生动颜色的效果，此外，该方法具有可解释性和可控性，并能够通过修改 GAN 潜在代码获得不同的结果。

    Aug, 2021

  • 通过生成对抗网络实现无监督多样化着色

    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

  • 使用多代码生成对抗网络（GAN）进行图像处理

    本研究提出了一种基于多个潜在代码和自适应通道重要性的方案，称为 mGANprior，该方案利用准确训练的生成对抗网络模型的有效先验来改善图像重构质量，在图像处理中具有广阔的应用前景。

    Dec, 2019

  • 多模态语义感知自动着色与扩散先验

    通过使用扩散先验的生成能力，结合亮度条件指导和多模式高级语义先验，本文提出了一种自动上色流程，能够合成饱和且具有合理语义的颜色，改善了自动上色方法中的语义和色彩的准确性问题。

    Apr, 2024

  • 学习多样化的图像上色

    使用变分自编码器 (VAE) 建立灰度图像到多种可能颜色映射的条件模型，利用多模态分布的采样得到表现出长程空间协调性的多样性上色结果。与条件卷积变分自编码器（CVAE）和条件生成对抗网络（cGAN）方法相比，多模态变量 (VAE) 方法能够获得更好的多样性上色效果。

    Dec, 2016

  • SCGAN：基于显著性地图引导的生成对抗网络上色

    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

  • PalGAN：基于调色板生成对抗网络的图像上色

    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

  • 基于 GAN 的指导式全色影像上色 CNN 算法反思

    本文提出了一种新的自监督学习框架，将 Pansharpening 看作是一个彩色化问题，并在模型训练中引入噪声注入和对抗性训练，通过提高神经网络的分辨率实现卫星图像 Pansharpening 的高质量输出。

    Jun, 2020

  • 基于混合生成对抗网络的视频着色技术 VCGAN

    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

  • 利用颜色线索检测 GAN 生成的图像

    分析了一种广泛应用的生成式对抗网络（GANs）的结构，证明其颜色处理方式与实际相机明显不同，进而利用这两种区别可以有效区分 GAN 图像与相机图像。

    Dec, 2018