自动上色论文《Deep Exemplar-based Colorization》（2）

书接上文：https://blog.csdn.net/Najlepszy/article/details/85289496
回来填坑。
四、着色参考图片的推荐系统
正如前文所言，本文对参考图片的选择具有稳健性。为帮助用户发现更好的参考图片，我们提出一种新的图像检索方法，可自动为用户推荐良好的参考图片。此外，该方法通过Top-1候选法来产生全自动的系统。
全局排名：通过gray-VGG-19，我们还可以获得查询图像$T_L$的Top 1 ID。根据类ID，我们将搜索域缩小到同一类的所有图像（大约1000个图像）。我们通过比较查询信息和所有候选者之间的f c特征来过滤不同的候选者。举例来说，查询信息可能是“在草地上奔跑的猫”，但候选图片可能是"坐在屋子里的猫"。然而我们希望这两张图片的语义信息尽可能越相像越好；为了实现这一点，对于该类中每个候选图片$R_i$(i=1,2,3,…),直接计算$F_T^6$和$F_{R_i}^6$的余弦相似性获得global score，并对这个global score进行排名。
局部排名：全局排名提供给我们前N个可选的图片$R_i$(N=200),而f c特征由于其会忽略空间信息，因此无法提供更为准确的信息。因此，我们在剩下的N张图片中进行一个局部的排序，来删除一些参考图片。
局部的一致性分数包括语义信息和照度信息。对于每个图片对 { T L , R i } \{T_L,R_i\} { TL​,Ri​},在$F_T^5$的任意像素p上，我们通过最小化$F_T^5(p)$和 F R i 5 ( q )