自动生成新的调色方案的调色迁移方法，通过重新设计的基于调色板的聚类方法和基于深度学习的图像分割的结合，实现了前景和背景部分的独立调色迁移，同时保持语义一致性。实验结果表明，该方法在自然逼真度、颜色一致性、普适性和鲁棒性等方面优于同类方法。

May, 2024

本文提出了一种基于条件扩散模型的统一框架，用于图像到图像的转换，并在四个具有挑战性的图像到图像任务中测试了这个框架，即上色，修复，裁剪和 JPEG 恢复。我们的简单实现超越了所有任务上的强 GAN 和回归基线，无需任务特定的超参数调整，架构定制或需要任何辅助丢失或先进的新技术。我们揭示了扩散目标中 L2 与 L1 损失的影响，并通过实证研究证明了自我关注在神经结构中的重要性。重要的是，我们提倡一个基于 ImageNet 的统一评估协议，具有人工评估和样本质量得分（FID，Inception Score，预训练 ResNet-50 的分类准确度和与原始图像的感知距离），我们期望这个标准化的评估协议在推进图像到图像翻译研究方面起到作用。最后，我们展示了一个通用的，多任务扩散模型的执行效果与任务特定的专家模型相当或更好。

Nov, 2021

提出一种新的框架，使用户能够为每个图像碎片自定义更改量，增强了现代扩散模型的灵活性和表达能力，且无需模型训练或微调，可直接应用于现有模型，量化和定性结果表明，该方法实现了更好的可控性，并可产生现有模型无法达到的结果。

Jun, 2023

该研究提出了一个在不使用训练或调整技术的情况下，控制扩散模型生成图像中全局颜色方面的挑战。通过修改指导方程，确保输出更接近已知的颜色映射，同时不影响生成图像的质量。该方法得到了新的指导方程。研究表明，在颜色指导上，指导的缩放不应该随着扩散过程的进行而减少，而应始终保持较高的缩放比例。作为第二项贡献，我们将指导方法应用于压缩框架，将图像的语义信息和一般颜色信息结合起来，以实现低成本的图像解码。与其他经典或更语义导向的方法相比，研究表明我们的方法在极低比特率下改善了压缩图像的保真度和逼真度。

Apr, 2024

调查论文对使用扩散模型进行图像编辑的现有方法进行了全面的概述，包括理论和实践方面，并从多个角度对这些作品进行了彻底分析和分类，介绍了学习策略、用户输入条件以及可以实现的特定编辑任务的组合。此外，对图像修复和扩展进行了特别关注，并探讨了早期的传统上下文驱动方法和当前的多模态条件方法，全面分析了它们的方法论。最后，讨论当前的限制并展望未来的研究方向。

Feb, 2024

该研究论文探讨了基于图像引导的扩散模型在参考图像引导下的素描着色，并提出了两种使用不同图像特征作为条件输入的变种隐式扩散模型，以及相应的调整结果方法。通过定性和定量实验以及用户研究，全面评估了这些模型的性能。

Jan, 2024

使用图像扩散技术和细粒度文本提示的新型图像上色框架，实现了既语义合适又能提高用户对上色过程控制水平的上色输出，通过预训练的生成扩散模型进行微调并评估颜色鲜艳度，适用于颜色增强和历史图像上色。

Dec, 2023

引入了一种多模态的着色方法，通过利用预训练的稳定扩散模型，支持高度可控的交互式图像着色，解决了多种限制性问题，包括用户互动、局部着色、非自然色彩渲染、色彩变化不足和色彩溢出。

Feb, 2024

通过使用仅两种类型的条件图像对生成进行精确控制，我们提出了一种新的方法 Stable Diffusion Reference Only，它是一个仅参考图像到图像的自监督模型，加速了二次绘画。我们在动画、漫画和二次创作领域实现了最先进的结果，验证了该结构的有效性并大大提高了生产效率。

Nov, 2023

该论文介绍了一种改善将照片元素复制粘贴到绘画中的方法，可以提高局部细节、色彩和大小的一致性，实现更好的画面质量。

Apr, 2018