本文提出了一种基于颜色组合的颜色转移框架,可改变图像的 “外观和感觉” 以引起不同的情绪,其贡献在于不需要参考图像,可以避免单色情绪转移的问题,具有潜在的照片和绘画颜色转移的应用。
Jul, 2013
我们在奇幻卡片艺术领域展示了两种新的编辑过程:调色板转换和区段控制。通过应用指定的参考调色板到特定卡片,调色板转换可以实现艺术样式的巨大变化。通过向量量化、匹配和向量解量化(使用扩散模型)的流水线,我们证明了成功的极端调色板转换。区段控制允许艺术家移动一个或多个图像区段,并可选择指定所需的颜色。将这两种类型的编辑组合起来可以得到有价值的工作流程,包括:移动一个区段,然后重新上色;重新上色,然后强制某些区段采用指定颜色。我们在具有挑战性的游戏卡艺术数据集上演示了我们的方法。
Jul, 2023
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
本文提出了一种将图像颜色转换到地形模型中的方法,通过离散不规则颜色的连续规律处理、定量化了颜色的相似性与美学质量,接着将图像至地形颜色转换提出为双目标优化问题,最终证明了这种方法可以更好地实现情感传递。
May, 2022
通过基于语言的方法,我们提供了一个直观的系统,可以帮助图形设计专家和新手进行照片重新着色,以解决现有工具和之前的作品在易用性和表现力之间的困境。
Aug, 2023
该论文提出了一种新颖的区域风格转换方法,通过利用分割网络精确地分离输入图像中的前景对象,并将风格转换应用于背景区域,再将分离的前景对象与转换后的背景巧妙地合并,使用颜色转换和羽化技术增强前景和背景之间的视觉一致性,从而实现了更自然的风格转换。
Apr, 2024
本文提出了一种名为 Deep Preset 的彩色风格转移方法,通过学习低级别图像颜色变换,设计出了一种通用功能,将内容中的自然颜色的特征概括成重新修饰的参考特征,并将其融合到内容的背景特征中,从而使其风格与参考相似。在 Lightroom 的 600,000 个训练样本测试中,该方法在颜色风格转换方面表现出色,既量化又定性优于以前的方法。
Jul, 2020
本研究提出了一种名为 “Deep Image Analogy” 的新技术,该技术通过找到两个输入图像之间有意义的密集对应关系,实现跨图像的视觉属性转移,包括风格、质感和颜色等,证明了该方法在多种情况下的有效性。
May, 2017
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
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