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

本文提出了一种利用自然语言描述进行基于语言的彩色生成，通过与预训练的跨模态生成模型相结合，实现了对任意级别的颜色描述的处理，能够有效处理复杂环境下的样例感知着色。

May, 2023

本文介绍了一种通过自然语言描述编辑图片的方法，使用基于递归注意力模型的通用框架，包括图像分割和图像着色两个子任务，并引入终止门来动态决定是否从文本描述中继续提取信息，该框架在 CoSaL、ReferIt 和 Oxford-102 Flowers 数据集上取得了良好的效果。

Nov, 2017

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

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

该研究提出了一种基于文本到操作的模型，用于将编辑语言请求转换为一系列可解释且可区分的编辑操作，同时提出了一种操作规划算法以生成从目标图像中的伪地面真实性中可能的编辑序列。

Jun, 2021

我们提出了一种多模态蒙版颜色模型，整合了色彩和文本上下文，为图形文档提供了文本感知的颜色推荐。实验证明，我们的方法在准确性、色彩分布、用户体验等方面优于以往的颜色调色板补全方法，以及与真实调色板相似度及色彩多样性方面超过以往的全调色板生成方法。

Aug, 2023

我们提出了一个自动上色的框架，具有迭代编辑和修改的能力，并利用一个想象模块通过理解灰度图像中的内容，利用预训练图像生成模型生成包含相同内容的多个图像用于上色参考，模仿人类专家的过程；我们使用参考修正模块来选择最佳的参考合成；与大多数现有的自动上色算法不同，我们的框架允许对上色结果进行迭代和局部修改，因为我们明确地对上色样本进行建模；大量实验证明了我们的框架在可编辑性和灵活性方面优于现有的自动上色算法。

Apr, 2024

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

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