本研究提出了一种基于多项式分类问题的上色方法，并应用加权函数于类别，通过将颜色值转换为颜色类别及其逆转换的一系列公式，优化了颜色类别转换的不同 bin 尺寸。在实际应用中，通过观察类别外观、标准差和模型参数，基于大规模实时图像，我们为分类任务提出了 532 种颜色类别。同时，在训练过程中，我们提出了一种基于每批次真实类别外观的类别加权函数，以确保正确饱和个别对象。我们调整了较频繁观察到的主要类别的权重，通过降低它们的权重，同时提高较少常见的次要类别的权重。我们的类别重新权重函数中提出了一个超参数，用于找到主要和次要出现类别之间的最佳折衷。为了增强次要类别的稳定性，我们应用正则化方法，但在对象的边缘可能会出现偶发的次要噪点。因此，我们提出了一种由 Segment Anything Model（SAM）强化的新颖的对象选择性颜色均衡方法，以改进和增强这些边缘。此外，我们还提出了两个新的颜色图像评估指标：色彩类别激活比率（CCAR）和真实激活比率（TAR），以量化颜色分量的丰富性。我们通过在六个不同数据集上进行定性和定量比较，包括 Place，ADE，Celeba，COCO，Oxford 102 Flower 和 ImageNet，将我们提出的模型与现有模型进行了比较。实验结果表明，我们的模型在可视化、CNR 以及我们提出的 CCAR 和 TAR 测量指标方面优于其他模型，同时在回归（MSE，PSNR）、相似度（SSIM，LPIPS，UIUI）和生成性能（FID）方面表现仍是令人满意的。

Mar, 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

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

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

该研究提出了一种基于概率的技术，用于为灰度自然图像着色，具有多个可能的着色方案和适当的随机采样方案，并通过严格的理论框架支持训练过程，达到了强大的实验结果。

May, 2017

使用卷积神经网络、自回归模型以及像素化对象语义来引导图像上色，结果在 PASCAL VOC2012 和 COCO-stuff 上表现更好。

Jan, 2019

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

本文提出一种高质量的全自动上色方法，利用深度学习技术和巨大规模的参考数据库实现图像上色，通过双边滤波后处理和自适应图像聚类技术来确保无伪影的质量，并在各方面优于现有算法。

Apr, 2016

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

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