本文提出了一种基于对抗学习和语义信息的图像上色方法，该方法使用生成网络来推断给定灰度图像的色度，模型通过全自监督策略进行训练并通过定量和定性实验展示出其失真度更高的优点。

Jul, 2019

该论文提出了一种新的方法来根据输入的文本生成多个颜色调色板，并根据生成的颜色调色板对给定的灰度图像着色。该模型能够理解文本的语义，并从中生成多个可能的颜色调色板。经评估结果表明，使用该模型生成的调色板优于真实的调色板，并且该模型在对图像进行着色时能够有效反映给定的调色板。

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

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

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

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

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。

Jul, 2022

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

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