令人敬畏的图像着色 基于深度学习的图像着色论文和相应的源代码/演示程序的集合，包括自动和用户指导（即与用户交互）的着色，以及视频的着色。 随意创建PR或问题。 （首选“拉式请求”） 大纲 1.自动图像着色 纸 来源 代码/项目链接 ICCV 2015 深着色 ICCV 2015 学习表示形式以实现自动着色 ECCV 2016 [项目] [代码] 彩色图像着色 ECCV 2016 [项目] [代码] 让有颜色！：全局和局部图像先验的端到端联合学习，以实现同时分类的自动图像着色 SIGGRAPH 2016 [项目] [代码] 通过生成对抗网络进行无监督的多样化着色 ECML-PKDD 2017 [代码] 学习多样的图像着色 CVPR 2017 [代码] 多种着色的结构一致性和可控性 ECCV 2018 使用有限的数据进行着色：通过内存增强网络进行少量着色 CVP

图像作色综述：Image Colorization: A Survey and Dataset

用于图像着色数据和模型

基于最短路径的图像着色

脚本基于 ，要下载caffemodel和原型，请参见： : 要下载pts_in_hull.npy，请参阅： :

着色_GAN 使用条件生成对抗网络进行灰度图像着色。 这是DCGAN的PyTorch实现，如论文“中所述 先决条件 Python 3.6 火炬 方法 在传统GAN中，发生器的输入是随机产生的噪声数据z。 但是，由于其输入的性质，该方法不适用于自动着色问题。 必须修改发生器，以接受灰度图像作为输入而不是噪声。 通过使用称为的GAN变体解决了此问题。 由于没有引入噪声，因此将生成器的输入视为零噪声，而将灰阶输入作为先验： 鉴别器从生成器和原始数据中获取彩色图像，并以灰度输入作为条件，并试图分辨出哪对包含真正的彩色图像： 网络架构 生成器的体系结构受U-Net的启发：模型的体系结构是对称的，具有n个编码单元和n个解码单元。 为了区分，我们使用类似的架构作为基线收缩路径。 数据集 我们使用CIFAR-10数据集。 要培养对fulldataset模式，下载数据集。 参考 使用GAN进行图像着

使用调色板自动对灰度图像进行着色。 采用了一种简单的算法。 算法的速度和结果彩色图像的质量取决于调色板图像的正确选择。 调色板的大小越小，算法越快。

颜色分类leetcode 使用 GAN 进行图像着色 介绍 该存储库是 Conditional GAN 的实现，用于将图像从灰度转换为 RGB。 网络的输入是 1 通道灰度图像（特别是 LAB 色彩空间的“L”通道），生成器将创建输入图像的 3 通道彩色版本。 生成器具有编码器-解码器架构； 鉴别器只是一个编码器加上提供一类输出的全连接层。 跳过连接应用于生成器（U-Net）。 对于 224x224 图像，生成器的架构如下所示。 每个块包含 Conv(transpose Conv) 层、BatchNormalization 和 Leaky ReLU。 生成器的最终激活函数是 tanh； 用于鉴别器的 sigmoid。 输入图像在输入网络之前被标准化。 总的来说，Conditional GAN 的目标函数是： 对于生成器，使用 L1 距离添加正则化项： 其中使用系数 lambda 100。 该模型使用 Adam 优化器进行了优化，并稍作改动。 该模型适用于各种彩色图像数据集。 这里实验了三个数据集：OxFlower、SpongeBob 和 SC2Replay。 ：Oxford VGG g

图像着色的目标是为灰度图像的每一个像素分配颜色，它是图像处理领域的热点问题。以U-Net为主线网络，结合深度学习和卷积神经网络设计了一个全自动的着色网络模型。在该模型中，支线使用卷积神经网络SE-Inception-ResNet-v2作为高水平的特征提取器，提取图像的全局信息，同时在网络中使用PoLU(Power Linear Unit)函数替代线性整流函数(ReLU)。实验结果证明此着色网络模型能够对灰度图像进行有效的着色。

涵盖此存储库中代码的详细教程： 该网络分为四个部分，并逐渐变得更加复杂。 第一部分是了解网络核心部分的最低要求。 它用于为一张图像着色。 一旦有了一些实验，我发现添加剩余的80％的网络变得更加容易。 在第二阶段（测试版）中，我开始使培训流程自动化。 在完整版中，我添加了预训练分类器的功能。 GAN版本不在本教程中。 这是一个实验版本，使用了一些新兴的图像着色最佳实践。 :popcorn: 注意：以下显示图像是精心挑选的。 大部分图像大部分是黑白图像，或浅褐色。 狭窄而简单的数据集通常会产生更好的结果。 安装 pip install keras tensorflow pillow h5py jupyter scikit-image git clone https://github.com/emilwallner/Coloring-greyscale-images cd Coloring-greyscale-images/ jupyter notebook 去做所需的笔记本，以“ .ipynb”结尾的文件。 要运行模型，请转到菜单，然后单击“单元格”>“全部运行” 对于GAN版本，