本文介绍了一篇关于自动图像着色的研究论文，该论文提出了一种无需用户干预的端到端网络，能同时学习图像的全局和局部特征，并利用语义上下文信息进行分类。通过结合低层、中层和高层特征网络，以及颜色网络，模型能够将灰度图像恢复为色彩图像。研究重点在于利用全局信息进行风格迁移，并通过类别信息区分不同场景。虽然模型在不同场景和旧图像上表现良好，但可能无法处理多种可能的色彩映射情况。
最近在arxiv上逛逛，看到一篇关于colorization的paper觉得挺有意思的：
Let there be Color!: Joint End-to-end Learning of Global and Local Image Priors for Automatic Image Colorization with Simultaneous Classification - sig - 2016
作者开源了代码：
https://github.com/satoshiiizuka/siggraph2016_colorization
===
先看看效果，从Fig1可以看出，该论文能够很好地从gray image还原到color image，效果不错。
motivation：
对于纹理区域，如天空，草地，树叶，街道，墙，海面等这些，
如何利用全局和局部的信息，使得网络可以充分学习到并区分到？
如何利用context的信息来区分不同场景下的图像，如indoor，outdoor？
所有该paper的核心研究内容是：如何充分利用global，local，semantic context信息，来更好地训练网络模型：
1 user-intervention-free的方式，即不需要用户的干涉，例如graphcut需要用户的操作，而它是不需要的；
2 end-to-end的网络，能够同时学习到图像的global和local的features；
最低0.47元/天 解锁文章
扫一扫
821
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
