学习动画油漆桶着色的包含匹配

CVPRMar, 2024

Learning Inclusion Matching for Animation Paint Bucket Colorization

Yuekun Dai, Shangchen Zhou, Qinyue Li, Chongyi Li, Chen Change Loy

TL;DR介绍了一种新的学习基于包含关系匹配的 pipeline，通过整合粗糙的颜色变形和包含关系匹配模块，实现了更加细致准确的线框配色。还开发了一个独特的数据集，名为 PaintBucket-Character，包括渲染的线框艺术和配色的对应物，展示了该方法相对于现有技术的有效性和优势。

Abstract

colorizing line art is a pivotal task in the production of hand-drawn cel animation. This typically involves digital painters using a paint bucket tool to manually color each segment enclosed by lines, based on RGB values predetermined by a color designer. This frame-by-frame process i

colorizing line art automated methods inclusion matching pipeline coarse color warping module paintbucket-character dataset

发现论文，激发创造

动画变形器：通过段匹配实现视觉对应

该研究提出了用基于 Transformer 的 AnT 体系结构进行手绘动画分割的研究，以便通过线圈而不是像素级别的对应来学习运动学关系，使用实验对比表明所提出的 AnT 可以用于实际的机器学习协助下的动画着色，这种方法提高了效率而且易于使用。

Sep, 2021

自动时空连贯的视频上色

本文介绍了一种基于敌对生成网络的图像着色方法，可以实现在动漫制作领域中对线描进行快速稳定的着色，从而加快制作进度，减少成本。

Apr, 2019

通过串联对抗网络实现轮廓上色

本研究提出一种利用两个神经网络联合工作的方案，分别基于线条轮廓和彩色方案完成抠图和上色。通过限制传递的彩色方案信息进行泛化，最终实现了从零开始和混乱的彩色方案中进行抠图和上色的自然效果。

Apr, 2017

注意力感知的动漫线描上色

本文介绍了一种基于注意力机制的模型，其中使用通道和空间上的卷积注意力模块来提高编码器对特征提取和关键区域感知的能力，并使用带有交叉注意力和自注意力的 Stop-Gradient 注意力模块来解决跨域长距离依赖问题，实验结果表明该方法在动画线条和语义颜色信息方面表现优于其他最先进的方法。

Dec, 2022

服装和背景替换的修补注入流程

通过整合先进的生成人工智能（GenAI）和计算机视觉技术，本研究探索了一种综合方法，重点是图像操作。研究的有效性在实验中得到验证，强调了其在生成引人注目内容方面的潜力，使用户能够根据特定提示对个人照片进行服装和背景的修改，无需手动输入修复遮罩，从而有效地将主题植入创意想象的广阔景观中。

Feb, 2024

外内学习和单色瓶颈的图像修复

本研究提出了一种基于外部 - 内部的修复方案，利用单色瓶颈以及逐步学习策略实现对缺失区域颜色的一致性修复，实验结果表明该方案有助于实现保留更多结构和视觉效果更佳的图像修复。

Apr, 2021

深度着色

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

通过视频着色进行跟踪

本文提出了一种使用未标记的视频进行无人监督学习的新算法，该算法以自然的时间连贯性为基础，通过从参考帧复制颜色来学习给灰度视频上色，同时实现对视觉区域的自动跟踪，而且方法不需任何地面真值标签，能够跟踪的结果胜过基于光流的最新方法，并且结果表明进一步提高视频上色可以进一步提高自监督的视觉跟踪。

Jun, 2018

有限数据着色：通过记忆增强网络进行小样本着色

本文提出了一种新颖的基于记忆的着色模型 MemoPainter，通过使用阈值三元组损失实现了非监督训练，能够在有限的数据下实现高质量的着色，尤其适用于少样本学习任务。

Jun, 2019

可学习的双向关注映射用于图像修复

本文提出了一种可学习的注意力地图模块，用于端到端的学习特征重归一化和遮罩更新，在适应不规则孔和卷积层传播方面具有高效性。此外，引入了可学习的反向注意力地图，使解码器集中于填充不规则孔，而不是重构两个区域，结果显示我们的方法可以生成更清晰，更连贯和更逼真的修复结果，并提供源代码和预先训练的模型。

Sep, 2019