建立模型（或算法）实现像的彩色化，并将给定的人像（图 2.a,b）转换为彩色人像

实现图像彩色化可以使用深度学习模型。其中，一种常见的方法是使用基于卷积神经网络（CNN）的图像颜色化模型。

以下是一种简单的实现方法：

1. 准备数据集：将黑白图像和对应的彩色图像作为训练数据集。可以使用公开数据集，例如 ImageNet。

2. 构建模型：使用 CNN 构建彩色化模型。可以选择使用现有的预训练模型，例如 VGG16 或 ResNet。

3. 训练模型：使用训练数据集训练彩色化模型。可以使用常见的优化器，例如 Adam 或 SGD。

4. 测试模型：使用测试数据集测试彩色化模型的性能。可以使用各种指标，例如 PSNR 或 SSIM。

5. 预测彩色图像：使用训练好的彩色化模型对黑白图像进行预测，生成对应的彩色图像。

以下是一些实现的细节：

1. 输入图像的大小应该与模型的输入大小相同。

2. 输出图像的格式应该与输入图像的格式相同。

3. 可以选择使用不同的损失函数，例如 L1 损失或 perceptual loss。

4. 可以选择使用不同的数据增强技术，例如旋转、缩放、翻转等。

5. 可以选择使用不同的超参数，例如学习率、批大小、迭代次数等。

6. 可以选择使用 GPU 加速训练和预测。

7. 可以选择使用不同的深度学习框架，例如 TensorFlow、PyTorch 等。

总之，实现图像彩色化需要深度学习知识和实践经验。可以根据具体需求进行调整和优化。