Jan, 2024

不同图像领域中的灰度图像着色与 GAN 和 CycleGAN

PDF
TL;DR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。
automatic colorizationsupervised methodsgan-based modelcyclegandiverse colorization
发现论文，激发创造
  • 通过生成对抗网络实现无监督多样化着色

    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

  • ChromaGAN: 对抗性图片着色与语义类别分布

    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

  • 彩色图像上色

    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。

    Mar, 2016

  • 使用单个训练图像的基于 cGAN 的漫画着色

    本研究提出一种基于条件生成对抗网络 (cGAN) 的漫画着色方法，该方法不需要大量训练样本，只需使用一张着色参考图像进行训练。同时，我们还提出了分割和色彩校正方法以缓解出现的模糊和伪像等问题，最终结果清晰、锐利，且保留了原始漫画形象的色彩风格。

    Jun, 2017

  • SCGAN：基于显著性地图引导的生成对抗网络上色

    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

  • ColorMapGAN: 使用颜色映射生成对抗网络进行语义分割的无监督领域自适应

    针对不同地理位置采集的卫星图像在波段上存在差异，我们提出了一种语义分割框架，其中关键组件是 Color Mapping Generative Adversarial Networks（ColorMapGAN），它可以生成与测试图像的光谱分布类似的伪造训练图像，在精细调整训练分类器的同时，有效地解决了现有方法在生成满意地图方面存在的问题。

    Jul, 2019

  • PalGAN：基于调色板生成对抗网络的图像上色

    提出了一种新的基于 GAN 的上色方法 PalGAN，该方法通过集成调色板估计和色彩注意力来解决多模糊性和色彩渗透问题，实验表明该方法在定量评估和视觉比较方面均优于现有方法。

    Oct, 2022

  • 应用生成式色彩先验实现鲜艳多样的图像上色

    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

  • 学习多样化的图像上色

    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

  • 关于无监督图像到图像的转换和 GAN 稳定性

    该研究论文探讨图片到图片翻译的问题，以及如何在计算机视觉应用中如上色、修补和分割等方面应用无监督学习和生成对抗网络，并提出两种模型以解决 GAN 稳定性问题，并得出与文献讨论一致的问题假设。

    Oct, 2023