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

介绍了 SalGAN，一种具有对抗样本训练的深度卷积神经网络，用于视觉显着性预测，实验表明对抗训练结合二元交叉熵损失函数可以达到最先进的性能。

Jan, 2017

该研究使用深度学习、图像分类和计算机视觉技术的综合方法，利用全称为生成对抗网络（GAN）和上下文关注机制实现图像修复

Apr, 2022

本文介绍了一种基于自注意力机制的生成对抗网络（SAGAN），它能够在图像生成任务中实现关注驱动的远距离依赖关系建模，并通过对 GAN 生成器实施谱归一化技术，取得了对图像生成任务来说最好的表现。

May, 2018

本文提出了基于注意力机制的生成对抗网络 AGGAN，在生成图像时使用内置的注意力机制检测最具有辨别性的语义部分并最小化不需要的部分的变化，训练过程中同时考虑对抗损失、循环一致性损失、像素损失和注意力损失，实验表明 AGGAN 比现有模型能够生成更加清晰和准确的图像。

Mar, 2019

该论文提出一种基于自注视网络和显著性先验的半监督语义分割模型，能够准确地定位并分割图像区域，且在 PASCAL VOC 2012 上的表现优于目前所有其他先进方法。

Oct, 2019

该研究提出了一种基于深度有条件敌对生成网络和本地特征网络的漫画线画自动上色方法，通过训练更加真实的图像数据，获得更好的视觉效果。

Aug, 2018

本文提出了一种新的基于注意力向导的生成对抗网络 (AttentionGAN)，通过生成注意力掩码来识别最具区别性的前景物体，并将生成的输出融合到注意力掩码中，从而获得高质量的目标图像，实验表明，相较于现有的竞争模型，该方法能够生成更鲜明和更现实的图像。

Nov, 2019

本文提出了一种新的自动绘画模型，用于解决黑白素描自动上色问题，实验结果表明自动绘画模型的性能优于现有的图像合成方法。

May, 2017

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