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

matlab灰度出来代码 Colorization using Optimization(最优化上色) 介绍 ============ 彩色化灰度图是参考论文 在原网站给出了matlab版的代码，在目录matlab/origin中给出。同时在github上也找到了塔尔图大学的一个实现，在matlab/University of Tartu中。其中colorize.py为本人的在参考源码的基础上实现，并加入了一些自己的改进。 用法 ============ 准备一张原始的灰度图，图像需要以RGB(3通道)格式保存。 在原始图像上涂上任何颜色。可以使用任何喜欢的程序(例如:Photoshop,绘图)来生成涂鸦。确保不使用压缩，并且得到的涂鸦图片的RGB值与原始图像不同的只是彩色像素。(没太理解这部分) 程序读入两张图片，生成采用最优化上色得到的彩色图片。 改进 ============ 参考资料 ============ ORIGINAL ARTICLE READ ME ============ This package contains an implementation of the

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

动漫-着色机 动漫素描图像的用户交互着色 先决条件 pytorch torchvision numpy openCV2 PyQT5 opencv_transforms （用于培训）（您可以通过pip install opencv_transforms进行简单安装） matplotlib （用于培训） 结果 数据集 Taebum Kim，“动漫素描着色对”， //www.kaggle.com/ktaebum/anime-sketch-colorization-pair 从网上抓取的68K插图 用法 从下载模型权重，并在src/model/checkpoint上解压缩 python

灰度图像的彩色化算法,详细的介绍了ruderman以及welsh等人提出的各种彩色化算法.文章作者也提出了一种新的方法,很具有参考价值

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

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

使用优化着色 算法的python实现 安装 安装 python 模块所需的基本包 gfortran libblas-dev liblapack-dev libsuitesparse-dev python-numpy pip 安装 python 模块 scipy scikits-image scikits.sparse scikits.learn

让彩色！：灰度图像的自动着色 概述 这段代码使用Tensorflow在python中提供了的实现： "Let there be Color!: Joint End-to-end Learning of Global and Local Image Priors for Automatic Image Colorization with Simultaneous Classification" Satoshi Iizuka, Edgar Simo-Serra, and Hiroshi Ishikawa ACM Transaction on Graphics (Proc. of SIGGRAPH 2016), 2016 本文提供了一种使用深层网络自动为灰度图像着色的方法。 该网络在单个框架中共同学习局部特征和全局特征，然后可以将其用于任何分辨率的图像上。 通过合并全局特征，可以使用

此repo是 Colorization的pytorch实现。 在ECCV中，2016年。 版本信息：pytorch 0.3.0，python 3.5 安装 git clone 培训和验证 从头开始培训： python main.py 或从指定时间点恢复训练： python main.py -R *** 以上两个命令默认都支持交叉验证，可以通过添加选项-V False.来关闭交叉验证-V False. 更详细的配置设置，请参考 推理 python main.py -T False -I *** # *** means the inference step. DAVIS 2017的结果 训练损耗曲线 注意：如您所见，我没有训练足够的时间（因为我没有NVIDIA的支持...）。初始lr为3.16e-4，原始为3.16e-5。 致谢 如代码中所述，该代码的某些部分是从richzha