该研究提出了一种基于深度网络和文字描述的图像上色方法,通过对象分割和融合模型实现对包含不同颜色物体的真实场景的颜色一致性上色,性能指标优于现有的上色技术。
Apr, 2023
通过基于语言的方法,我们提供了一个直观的系统,可以帮助图形设计专家和新手进行照片重新着色,以解决现有工具和之前的作品在易用性和表现力之间的困境。
Aug, 2023
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
使用递归神经网络和傅里叶变换的颜色表示方法,成功应用于生成颜色描述模型,在自然颜色描述的大型语料库上进行条件语言模型任务,不仅可以准确地生成基本颜色术语,还可以生成训练过程中未见过的具有非凸含义的描述词,裸修饰语以及组合短语。
Jun, 2016
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
本研究提出了一种基于深度学习的图像上色系统,在输入灰度图像和用户指定信息的情况下,利用卷积神经网络将其映射至彩色图像,并对其进行上色。该系统利用大规模数据集对低级和高级语义信息进行学习,根据现有输入向用户推荐可能的颜色,通过单次前馈传递实现实时操作。实验证明,即使使用随机模拟的用户输入,该系统也能够有效地帮助用户快速创建逼真的彩色图像。
May, 2017
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
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。