SPColor：基于语义先验指导的基于范例的图像着色
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
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
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
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。
May, 2020
提出了首个端到端网络来完成基于示例的视频着色，在保持参考风格的同时实现了时间上的一致性。通过引入循环框架来统一语义对应和颜色传递步骤，利用提供的参考图像来引导每一帧的着色，减少了积累的传播误差，并通过时间一致性损失进一步强制协同着色历史，最终生成稳定性良好且逼真的视频，实验表明，与现有技术相比，在定量和定性方面都具备优越性。
Jun, 2019
该论文提出了一种新的一步自适应框架 SePiCo，它通过强调单个像素的语义概念来促进跨域自学习方法的学习，并在合成到真实和白天到夜晚自适应情景下取得了显著的进展。
Apr, 2022
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
本研究采用了多种有效的自监督先行任务，探索了一种新颖的自监督半监督学习框架（Color-$S^{4} L$），在图像着色代理任务中深入评估了各种网络架构的性能，并与之前的监督和半监督最优方法在 CIFAR-10 数据集上进行了有效性和最优性能的对比验证。
Jan, 2024
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