没有合适的资源?快使用搜索试试~ 我知道了~
19363基于风格化的快速深度样本着色Zhongyou Xu<$,TingtingWang <$ ,ZhaoFaming Fangg< $$>,Yun Sheng<$,Guixu Zhang<$†上海凯易多维信息处理实验室华东师范大学计算机科学与技术学院利物浦约翰摩尔斯大学Liverpool John Moores University摘要基于示例的彩色化旨在向由内容相关参考图像引导的灰度图像添加颜色。现有的方法要么对参考图像(内容、位置)的选择敏感,为了解决这些问题,我们提出了一个深样本着色架构的风格化特征提取和混合的启发。我们从粗到细的架构由两部分组成:快速传输子网和鲁棒着色子网。传递子网通过以渐进的方式匹配输入对的基本特征统计量来着色子网细化地图以生成最终结果。所提出的端到端网络可以联合学习具有相关参考的忠实着色和具有不相关参考的合理颜色预测。广泛的实验验证表明,无论是在基于样本的着色还是图像风格化任务中,我们的方法都能在更短的时间内完成最先进的方法。1. 介绍彩色化是计算机视觉中的一个经典任务,其目的是为灰度图像添加颜色。由于彩色图像具有视觉上的逼真性和感知上的意义,在绘画创作、黑白电影渲染、三维建模等实际应用中具有巨大的潜力,因此彩色图像的研究具有重要的意义。值得注意的是,对于着色没有“正确“的解决方案(例如,白色、红色或紫色的花在自然界中很常见模糊性和多样性使得着色任务具有挑战性。为了达到令人信服的结果,人类干预-*通讯作者。电邮地址:fmfang @cs.ecnu.edu.cn. 本工作得到国家自然科学基金重点项目(61731009)和国家自然科学基金重点项目(61871185)的资助,以及在以往的色彩作品中,色彩往往扮演着重要的角色。一些论文[18,39,25]建议在灰度图像上手动添加颜色涂鸦,然后将这些已知颜色传播到整个图像,然而,对于缺乏专业技能和艺术敏感度的未经培训的用户来说,这是一项具有挑战性的任务。其他研究[23,3]试图通过用密切相关的参考图像替换彩色涂鸦在目标灰度图像和参考图像之间建立可信的对应关系,以便直接进行传播和着色。脆弱模型通常会由于光照、视点和内容差异而产生较差的结果。近年来,基于深度学习的彩色化技术[17,2,40]取得了显著的成果。彩色化网络在大量的图像数据集上进行训练,以学习灰度图像与其对应的彩色版本之间的关系。 一旦确定了网络参数,就可以很容易地得到彩色化结果。虽然这样的自动着色模型取得了巨大的成功,但着色的结果在没有任何用户干预的情况下是不可控的。最近的工作[31,41,8]试图将交互的可控性和学习的鲁棒性结合起来,以实现更有前途的着色。在本文中,我们提出了一种新的深度学习方法,用于受风格化网络启发的快速基于样本的着色[9,20]。该体系结构由传输子网和着色子网两部分组成传输子网是一个任意的快速真实感图像风格化网络,与现有的风格化方法相比,它可以解决失真问题,减少伪影。 它的目的是获得一个粗略的色度图的目标融合其特征与参考,进步的方式。然后通过着色子网对地图进行细化,得到最终的着色结果。实验表明,我们提出的网络在更短的时间内优于最先进的基于样本的着色方法。此外,在真实感图像风格化任务中,该传输子网也表现出了惊人的效果。这项工作的主要贡献有三个方面。19364• 我们提出了一种新的两个子网架构,共同学习忠实的着色与相关的参考和合理的颜色预测与一个不相关的。• 通过使用AdaIN操作进行特征匹配和混合,我们在更短的时间内与其他基于示例的方法• 我们扩展的传输子集,真实感图像风格化,没有任何额外的修改。2. 相关工作目前的彩色化方法大致可以分为四类:基于涂鸦、基于范例、基于学习和混合着色。在本节中,我们提供了每个类别的相关作品以及照片级真实感图像风格化的概述。2.1. 彩色化基于涂鸦的彩色化。 这些交互式方法将初始笔划或色点传播到整个灰度图像。传播是基于一些低层次的相似性度量,如空间偏移和强度差. Levin等人。 [18]基于具有相似强度的相邻像素应该具有相似颜色的假设,求解用于传播涂鸦颜色后来的方法[28,25]旨在提出先进的相似性度量。An等人。 [1]使用能量优化公式,通过强制执行将类似编辑应用于具有类似外观的空间接近区域的策略,将初始粗略编辑传播到精细编辑。这些方法能够提供合理的着色结果时,给予良好的先验颜色。然而,对于缺乏专业技能和艺术敏感性的未经训练的用户来说,这仍然是一项具有挑战性的任务。基于示例的着色。这类方法提供了一种直观的方法来对灰度图像进行彩色化,参考一。有两个主要类别:全局转移法[29,27,4]和局部转移法[16,32,37]。前者通过匹配全局颜色静态(如均值、方差和直方图)将颜色从参考转移到目标[38]。这些方法产生不切实际的结果,因为它们忽略了空间像素信息。后者通常考虑不同级别的对应关系,例如像素级别[23],超像素级别[3,7]和分段区域级别[13,33]。当两幅图像具有不同的外观但感知上相似的语义结构时,这些基于手工相似性度量的传统方法容易产生可怕的结果。基于学习的着色。这些方法通过训练一个端到端的网络,通过预测目标图像的每个像素来重建图像,从而实现了研究人员打算适应精心设计的损失函数,以获得更好的实验结果,例如L2损失[11],分类损失[17]和L1+GAN[14]。所有这些研究都是在没有任何用户干预的情况下自动从巨大的图像数据集中学习网络参数然而,它们中的大多数仅对每个灰度图像产生单个合理的结果此外,在没有任何用户交互的情况下,着色结果是不可控的。混合着色。最近,一些方法试图将来自相互作用的可控性和鲁棒性来自学习以实现更有希望的着色。Zhang等人。[41]和Sangkloy等人。 [31]通过提供色点或笔画将基于涂鸦的方法与基于学习的方法相结合。为了降低对用户的技能要求,Xiao等人 [38]利用参考图像的直方图来指导金字塔结构网络的裁剪。 He等人[8]引入相似性网络来构建双向映射。他们重新训练了一个灰度提取器来计算目标图像和参考图像的语义相似度,并添加了一个感知分支来处理感知差异。虽然这种方法即使在不适当的参考下也能确保正确的着色,但它需要大量的计算,并且在看不见的对象方面失去了创造力2.2. 真实感图像风格化真实感图像风格化是从传统风格转移演变而来的[5,6]。最大的差异是前者的输出仍应保持原有的边缘结构清晰。为了抑制风格化结果中出现的失真,DSPT [24]在神经风格算法的损失函数中添加了正则化项。Li et等人[20]提出了一种改进的白化和着色变换(PhotoWCT)模型,该模型利用了解池层和额外的平滑操作。这些方法鲁棒性差受这些方法的启发,我们提出了一个转移子网,它不仅可以应用于图像风格化,而且可以为灰度输入生成合适的色度图。3. 基于风格化的着色经典的基于样本的彩色化方法的主要问题在于参考图像的选择很难找到与目标图像中的所有对象匹配的参考。此外,处理时间太长,不适用于实时彩色化。我们的基于范例的方法的目的是生成合理的着色结果,在实时的两个输入图像是否语义相关或没有。我们将目标图像定义为T,参考图像定义为R,主要在CIELab空间中进行运算。拟议的端到端网络的结构如图所示1,它由两个子网组成。转移子网通过匹配其基本的39365图1. 系统管线。我们的模型由两个子网组成:传递子网的目的是为目标图像生成融合参考颜色信息的粗Tab,着色子网通过细化Tab输出最终结果,并引用与参考无关的对象的有意义颜色。在不同层中直接与参考图像进行特征统计。着色子网将Tab和已知T作为输入,以细化初始ab图并将有意义的颜色引用到接下来我们将详细介绍这两个子网。3.1. 转接子网特征,WCT [19]计算奇异值分解(SVD)将内容特征投影到风格特征的特征空间。当输入图像尺寸较大时,常规计算机难以承受繁琐的计算。为了加速特征匹 配 和 混 合 , 使 用 了 快 速 自 适 应 实 例 归 一 化(AdaIN)[9]AdaIN是IN [34]的变体,被提议用于取代风格化网络中的批规范化(BN)[12]层。IN的成功得益于其对内容图像对比度的不变性[35],并且IN中的仿AdaIN通过自适应地计算每个通道和每个样本的均值和方差来给定内容输入x和样式输入y,AdaIN定义为:图2.传输子网的详细架构。AdaIN(x,y)=σ(y).Σx−µ(x)σ(x)+µ(y)(1),传输子网的灵感来自于最近的观察,即任意风格的实时传输成为可能,真实感图像风格化在特征提取,特征混合和内容一致性维护方面表现良好。通过对参考图像和目标图像的特征进行匹配和融合,得到目标灰度图像的如图1中,传输子网采用编解码器结构,以目标参考图像对为输入,输出初始Tab。传输子网的详细架构如图所示。2.我们采用预先训练好的VGG19模块(从conv11层到conv41层)作为编码器和对称解码器进行图像重建。由于风格化方法[9]中使用的多解码器可能会破坏VGG 19网络的属性并放大伪影[20],因此我们使用单通道编码器-解码器网络而不是多解码器。具体来说,我们将两个输入图像馈送到预训练的VGG 19中,并将conv{i}1层的中间输出作为我们的特征表示。以匹配其中,σ(·)和μ(·)是标准偏差,平均值为re-k。与BN和IN相比,AdaIN没有可学习的仿射参数.我们引入AdaIN操作该方法可以处理任意参考图像,为后续的着色子网快速生成可靠的AB图然而,简单的对称结构往往会在重建过程中引起伪影和失真。在先前的层中传输更多有用的信息以帮助重建是直观的。我们在编码器网络的每一级中将上采样池化特征及其先前的卷积特征连接起来,以便通过使用跳过连接在解码器的对称模块中进行重构,如图所示。2.此外,我们在编码器模块中将每个最大池化层替换为平均池化层,这被证明在风格化任务中得到更好的结果[5]。还有一个关键问题需要解决:由于目标图像是灰度的,而参考图像是彩色的,如何使用同一个编码器网络提取两个输入图像的特征。一种方法是只训练灰色VGG1949366图3.分别使用灰度VGG19提取器和我们的预着色策略使用图像的亮度通道[8]。灰度VGG19虽然达到了可以接受的前5位精度,但它丢弃了色度信息,导致特征提取效果不佳为了保证特征提取的可靠性,我们仍然使用原始颜色VGG-19,利用预先训练好的彩色化网络对灰度目标图像进行预彩色化。尽管预着色可能不是非常准确,但先前的研究已经观察到与灰色数据集相比,重新着色数据集的分类准确性有明显提高[40]。我们比较了图2中两种方法的传输子网的中间输出。3.与灰度VGG19提取器相比,该方法得到了更饱和的结果,这将有助于后续的着色子网细化初始Tab。实际上,没有必要训练额外的自动着色模型。我们可以重用训练好的着色子网,并将其参数固定,这些参数将在着色子网中详细说明。3.2. 着色子网通过传递子网得到的Tab不准确,并且存在一些伪像,特别是当给出语义无关的引用时。为了改进它,我们提出了一个着色子网,它将已知的亮度T和初始色度Tab作为输入。然而,要训练这样一个着色子网来满足我们的要求并不容易。一方面,基于样本的彩色化没有精确的基础事实。另一方面,我们期望子网不仅能根据语义特征将“正确”的颜色传播受“peek”思想的启发这种设计可以减轻学习压力,使网络更有可能将已知的色度信息传播到语义相关的区域。与[41]的设计策略类似,我们的着色子网采用类似的U- Net [30]架构,该架构由十个特征块和一个输出块形成。为了避免平均问题,HuberlossLh [10]用于评估输出和地面真实值的接近程度,Lc=Lh((1+λM)<$Fc(x),(1+λM)<$y)(2),其中Fc是着色子网,x和y分别表示输入和输出,M是指示采样ab通道位置的二进制掩码,k是点积。通过使用非负加权参数,我们更加关注具有有意义abλ。训练好的网络可以通过提供具有空ab图的灰度图像来用于自动着色,如前所述,空ab图用于对输入目标图像进行预着色。4. 实验本节描述了实现细节,并给出了各种实验结果。4.1. 实现细节传输子网的解码器在MicrosoftCOCO数据集[22]上通过最小化权重为0的L2重建损失的总和来训练。[15]第15话,一个人的幸福,一个人的幸福。二、我们使用ADAM优化器来最小化损失,其学习率初始设置为0。0001,然后每5个时期减少2倍。 类似 到最先进的方法[6,20],我们的传输子网可以通过在AdaIN操作中利用可用的语义标签映射来实现更准确的特征匹配和颜色传输。着色子网在ImageNet数据集上进行训练。在我们的实验中,权重系数λ被设置为10。对于前四个块,我们微调[40]中的预训练权重以帮助训练,并且整个着色子网使用ADAM优化器进行训练,其学习率设置为0。00001,然后在10个epoch后下降10为了重用网络对目标图像进行预着色,我们还训练了5个epoch,提供具有空ab图的输入图像。注意,通过转移子网络获得的粗ab图被随机采样以拟合训练的着色子网络。4.2. 消融研究为了说明我们模型中两个子网的重要性,我们在图中显示了每个子网生成的着色结果。4.首先,我们将带有空ab映射的目标图像馈送到着色子网,并获得图1中的预着色结果。第4(b)段。由于没有初始颜色要传播,因此子网仅产生欠饱和的结果。然后,我们将预着色的目标图像与参考一起馈送到传输子网,并在图中显示粗略的着色结果。第4(c)段。出现明显的不适当的彩色斑块。最后的结果是49367在特征匹配和混合过程中发挥作用。(a) 目标参考(b)自动(c)转移(d)转移着色图4.关于我们模型架构的消融研究。(a)目标参考(b)解码器编码器(c)解码器(d)编码器图5. AdaIN操作的结果添加到不同部分。示于图4(d)使用两个子网。可以看出,通过整个网络的结果具有饱和的颜色和很少的伪影,这证明了两个级联子网架构的有效性。并进一步讨论了在传输子网模块中加入AdaIN层的效果。正如我们所说,AdaIN层添加在编码器和解码器网络的conv{i}1之后,以匹配参考图像和目标图像的特征。显色结果如图所示5(b)。我们还展示了在图1中的编码器或解码器网络中仅使用AdaIN获得的结果5(c)和(d)。 在三个结果图像中,图。5(b)更饱和并且具有更少的伪影,这足以验证AdaIN具有的重要性。4.3. 与着色方法的比较我们将我们提出的方法与五种现有的基于样本的着色方法进行比较[36,26,7,8,38],并提出视觉比较和用户研究来评估这些方法。由于效率是实际应用中最重要的因素之一,因此为了确保公平的比较,所有结果都是通过运行作者提供的可用代码获得的目视比较。 我们在从以前的论文中收集的68对图像上运行所有六个模型,并在图中显示了几个代表性的结果。6.我们可以看到,基于深度学习的方法,即,我们的和[8,38]产生了比传统方法在感知上更吸引人的着色结果[36,7,26]。我们进一步将我们的方法与[8]进行比较,因为我们都考虑了不相关的图像对。首先,我们在图中展示了一个具有挑战性的着色案例。7.用这两种方法分别对大部分图像对象进行了正确匹配,如绿框中人的面具。虽然目标图像中的树木在参考图像中没有仔细比较这两个结果,可以看出[8]的结果中的一些图像细节仍然保持灰色,而它们在我们的结果中被很好地着色(参见例如,黄色盒子里的围巾和黑色盒子里的天空)。另一个比较案例如图所示。8,其中我们给出了五个参考图像来指导汽车的彩色化。图1的第一行图8示出了五个不同的参考图像。[8]和所提出的方法的相应着色结果分别在第二行和第三行中示出。当参考也包含汽车(前四个),这两种方法都可以正确地匹配它们在两个输入图像,尽管不同的颜色或形状。我们的结果的颜色看起来更饱和和生动。最后一个引用是一个与目标完全无关的公鸡。由于着色子网络是直接通过大规模数据集训练的,不需要参考图像,因此该方法仍然可以为目标图像而[8]结果中的汽车颜色看起来不自然,因为他们的网络必须从参考中借用颜色,即使没有合适的颜色。用户评价。由于基于样本的着色是高度主观的任务,因此不存在适用于测量结果的度量。因此,我们进行了用户研究,以定量评估我们的方法对其他方法。我们使用的基准数据集由来自以前论文的15个目标参考图像对组成,并且包括多种图像内容(即,景观、建筑物、人类、动物)。我们邀请了50名来自不同年龄和专业的大学生参加,并要求他们选择最符合49368图6.与基于实例的着色方法的比较。前两行是输入目标-参考图像对。最后六行分别是由[36,26,7,8,38]和所提出的方法生成的相应着色结果。(a)目标(b)参考(c)He et al. [8](d)我们的图7. [8]与我们的[8]相比参考,并且着色结果中的伪影较少 [36,26,7,8]和所提出的方法。为了避免偏差,五个结果图像以随机顺序显示对于每个图像对和每种方法,我们统计用户偏好(点击)的总数,统计结果如见图9。最高的点击率表明我们的彩色化结果是最受用户欢迎的。运行时比较。表1显示了上述五种着色方法的运行时比较[36,7,26,8,38]。三种传统方法[36,7,26]49369图8.不同参考图像的着色结果。第一行显示了五个不同的引用。第二行和第三行分别是He等人 [8]和所提出的方法的相应着色结果。表1.彩色化任务的对比图像尺寸256 x 256512 x 5121024 x 1024Welsh等人[36个]3.5113.5253.14皮埃尔等人[26日]3.6914.1266.38Gupta等人[七]《中国日报》114.51446.471784.58He等人[八]《中国日报》7.25+1.1433.69+1.3049.96+OMMXiao等[38个]0.481.43.96我们0.04+0.08x20.14+0.12x20.59+0.28x2图9.不同方法的用户偏好箱形图,显示分布的均值(黄线)、四分位数和极值(黑线)。使用MATLAB 2015 a在具有2.6GHZ Intel Core i7-4720CPU和16 G RAM的笔记本电脑上实现。[8,38]和我们的 代 码 在 具 有 In-tel E5 2.5GHz CPU 和 单 个 NVIDIA1080Ti GPU的PC上实现。Welsh等人’s Gupta等人’smethod [7] costs lots of time on由于使用了深度图像类比[21](DIA),He等人。的方法[8]运行缓慢,并且与Pierre的方法[26]具有可比的时间消耗。 请注意,当输入图像大小为1024 × 1024,He et al. ’s 肖等的金字塔结构。[38个]花费的时间最多。也就是说,我们可以实现最快的彩色与常见的配置。4.4. 真实感图像风格化方法的比较我们还评估了我们的彩色化方法在照片数据集上用于真实感图像风格化。所提出的方法以及PhotoWCT[20]的结果如图所示。10.前两行显示输入图像对,最后两行分别显示通过Pho- toWCT [20]和我们的方法获得的结果。请注意,Pho- toWCT将一个内容图像和一个样式图像作为真实感风格化的输入,而我们的网络将内容图像的灰色版本分别作为要着色的目标和样式图像作为参考。虽然PhotoWCT具有良好的风格化效果,但由于平滑步骤,其结果丢失了许多图像细节。我们的彩色化结果看起来更真实,尽管没有输入色度信息。4.5. 风格化方法比较图像风格化是一个过程,在另一个图像的风格帐篷图像。目前最先进的方法存在一些问题。DSPT [24]是耗时的,其结果总是遭受严重的扭曲。PhotoWCT[20]利用平滑操作来减轻伪影,但代价是图像不清晰49370图10.与PhotoWCT [20]在真实感图像风格化中使用的照片数据集上的比较。前两行显示输入图像对,最后两行分别显示该方法的结果。在图11(e)中,其具有明显的噪声。(a) 内容(b)风格(c)DPST [24](d)[20]第20话(第一次)图11.风格化方法[24,20]和我们分别使用WCT和AdaIN的传输子网的结果年龄详情我们的传输子网的灵感来自风格化的方法,并 具 有 相 同 的 能 力 。 我 们 将 其 与 DSPT [24] 和PhotoWCT [20]进行了比较,结果如图所示。11.可以看出DPST [24]的结果具有明显的伪影。PhotoWCT [20]生成过度平滑的结果。通过我们的传输子网获得的结果具有最好的视觉效果,没有可见的伪影。为了显示AdaIN 的 优 越 性 , 我 们 在 传 输 子 网 中 将 其 替 换 为WCT,结果如图所示。11(f)项。相比5. 结论与讨论在本文中,我们提出了一个快速的基于风格化的着色体系结构,它由两个子网。转移子网的目的是通过匹配目标灰度图像的预着色版本和参考图像的特征来获得目标灰度图像的粗糙ab映射在大规模图像数据集上训练的着色子网络用于细化粗糙ab图以及为目标图像提供预着色。其独特的输入采样ab图的设计避免了为基于样本的着色建立训练数据集的困难,并使网络更有可能将已知的色度信息传播到语义相关的区域。大量的实验表明,我们的方法工作得很好,即使在更短的时间内给出一个不相关的参考。我们相信还有例如,AdaIN操作仅对齐低级特征统计,即,均值和方差,影响匹配精度。此外,粗ab图中的一些颜色几乎不被着色子网传播原因可能在于训练数据集中的图像分布不均匀。在未来,我们将引入更高层次的特征进行特征匹配,并探索更先进的网络来解决这些问题。49371引用[1] Xiaobo An和Fabio Pellacini。Appprop:所有对外观空间编辑传播。27(3):40,2008.[2] 泽州丞、庆雄杨、宾胜。深着色。在IEEE ICCV,第415-423页[3] Alex Yong-Sang Chia 、 Shaojie Zhuo 、 Raj KumarGupta 、 Yu- Wing Tai 、 Siu-Yeung Cho 、 Ping Tan 和Stephen Lin。网络图像的语义着色。30(6):156,2011.[4] 丹尼尔·弗里德曼和帕维尔·基西列夫。对象到对象颜色转移:最优流与smsp变换。在IEEE CVPR,第287-294页中。IEEE,2010。[5] Leon A Gatys,Alexander S Ecker,and Matthias Bethge.使用卷积神经网络的图像风格转换。在IEEE CVPR,第2414-2423页[6] Leon A Gatys,Alexander S Ecker,Matthias Bethge,Aaron Hertzmann,and Eli Shechtman.神经风格迁移中知觉因素的控制。在IEEE CVPR,第3985- 3993页[7] Raj Kumar Gupta 、 Alex Yong-Sang Chia 、 DeepuRajan、Ee Sin Ng和Huang Zhiyong。 图像着色使用类似的图像。第20届ACM国际多媒体会议论文集,第369-378页。ACM,2012年。[8] Mingming He , Dongdong Chen , Jing Liao , Pedro VSander , and Lu Yuan. 基 于 深 度 样 本 的 着 色 。 ACMTransactions on Graphics ( TOG ) , 37 ( 4 ) : 47 ,2018。[9] Xun Huang和Serge Belongie。 实时任意样式传输,具有自适应实例规范化。在IEEE ICCV,第1501-1510页[10] 彼得·J·胡贝尔。位置参数的鲁棒估计。在统计学的突破,第492Springer,1992年。[11] Satoshi Iizuka,Edgar Simo-Serra,and Hiroshi Ishikawa.要有颜色!:全局和局部图像先验的联合端到端学习,用于同时分类的自动图像着色。ACM Transactions onGraphics(TOG),35(4):110,2016。[12] Sergey Ioffe和Christian Szegedy。批次标准化:通过减少内部协变量偏移来加速深度网络训练。arXiv预印本arXiv:1502.03167,2015。[13] Revital Ironi,Daniel Cohen-Or,and Dani Lischinski.以榜样为荣。在渲染技术中,第201210. Citeseer,2005年。[14] Phillip Isola,Jun-Yan Zhu,Tinghui Zhou,and Alexei AEfros.使用条件对抗网络的图像到图像翻译。在IEEECVPR,第1125-1134页[15] 贾斯汀·约翰逊,亚历山大·阿拉希,李飞飞。实时风格转换和超分辨率的感知损失。在IEEE ECCV中,第694-711页。施普林格,2016年。[16] Pierre-Yves Laffont,Zhile Ren , Xiaofeng Tao , ChaoQian,and James Hays.瞬态属性为高层次的理解和编辑的户外场景。ACM Transactions on Graphics(TOG),33(4):149,2014。[17] 古斯塔夫·拉尔森迈克尔·梅尔格雷戈里·沙赫纳洛维奇。学习自动着色的表示。在IEEE ECCV中,第577-593页。施普林格,2016年。49372[18] Anat Levin,Dani Lischinski和Yair Weiss。使用最佳化着色。23(3):689[19] Yijun Li , Chen Fang , Jimei Yang , ZhaowenWang,Xin Lu,and Ming-Hsuan Yang.通过特征变换进行通用样式传递。神经信息处理系统的进展,第386-396页,2017年[20] Yijun Li , Ming-Yu Liu , Xuting Li , Ming-HsuanYang,and Jan Kautz.一个封闭形式的解决方案的照片真实感图像风格化。在IEEE ECCV中,第453-468页[21] Jing Liao ,Yuan Yao ,Lu Yuan,Gang Hua,andSing Bing Kang.通过深层意象类比实现视觉属性转移 。 ACM Transactions on Graphics ( TOG ) , 36(4):1[22] 林宗义、迈克尔·梅尔、塞尔日·贝隆吉、詹姆斯·海斯、皮埃特罗·佩罗纳、德瓦·拉马南、皮奥特·多尔·拉尔和C·L·劳伦斯·齐特尼克。微软coco:上下文中的公用对象。在IEEE ECCV中,第740-755页。Springer,2014.[23] Xiaopei Liu , Liang Wan , Yingge Qu , Tien-TsinWong , Stephen Lin ,Chi-Sing Leung, and Pheng-Ann Heng.固有彩色化。27(5):152,2008.[24] Fujun Luan , Sylvain Paris , Eli Shechtman , andKavita Bala.深度照片风格转移。在IEEE CVPR,第4990[25] 青鸾,方文,丹尼尔·科恩-奥尔,林亮,徐英青,沈向阳。自然图像着色。在第18届欧洲图形学会议的渲染技术论文集,第309-320页欧洲制图协会,2007年。[26] FabienPierre,J-FAujol,Aure' lieBugeau,NicolasPa-padakis和V-T Ta。图像彩色化的亮度-色度模型。SIAM Journal on Imaging Sciences,8(1):536[27] Francois Pitie,Anil C Kokaram,and Rozenn Dahyot.N维概率密度函数传递及其在颜色传递中的应用。在第十届IEEE计算机视觉国际会议(ICCVIEEE,2005年。[28] Yingge Qu,Tien-Tsin Wong,and Pheng-Ann Heng.漫画着色。25(3):1214[29] 埃里克·莱因哈德、迈克尔·阿迪赫明、布鲁斯·古奇和彼得·雪莉。图像之间的颜色转换。IEEE计算机图形学与应用,21(5):34[30] Olaf Ronneberger , Philipp Fischer , and ThomasBrox.U-网:用于生物医学图像分割的卷积网络2015年医学图像计算和计算机辅助干预国际会议[31] Patsorn Sangkloy,Jingwan Lu,Chen Fang,FisherYu,and James Hays. Scribbler:使用草图和颜色控制深度图像合成。在IEEE CVPR,第5400-5409页,2017年。[32] 史义昌、西 尔万·帕里斯、康 奈利·巴恩斯、威廉·T·弗里曼和弗雷多·杜兰德。头部特写的风格转移ACM Transactions on Graphics(TOG),33(4):148,2014。[33] 戴玉荣、贾佳雅及邓志强。 基于期望最大化的概率分割的局部颜色传递.在IEEE CVPR,第1卷,第747-754页中。IEEE,2005年。49373[34] 德米特里·乌里扬诺夫,安德烈·维达尔迪,维克多·伦皮茨基。 实例归一化:快速造型缺少的成分。arXiv预印本arXiv:1607.08022,2016。[35] 德米特里·乌里扬诺夫,安德烈·维达尔迪,维克多·伦皮茨基。改进的纹理网络:最大化前馈风格化和纹理合成的质量和多样性。在IEEE CVPR中,第6924-6932页[36] Tomihisa Welsh,Michael Ashikhmin,and Klaus Mueller.将颜色转换为灰度图像。21(3):277-280,2002.[37] 吴富章,董伟明,孔艳,梅兴,保罗,张晓鹏.基于内容的色彩转移。32(1):190[38] 萧楚风,楚涵,张柱明,秦静,何胜峰。通过密集编码金字塔基于实例的着色。计算机图形论坛,(12),2019年。[39] Liron Yatziv和Guillermo Sapiro。使用色度混合的快速图 像 和 视 频 彩 色 化 IEEE transactions on imageprocessing,15(5):1120[40] Richard Zhang、Phillip Isola和Alexei A Efros。彩色图像彩色化。参见ECCV,第649-666页。施普林格,2016年。[41] Richard Zhang , Jun-Yan Zhu , Phillip Isola , XinyangGeng,Angela S Lin,Tianhe Yu,and Alexei A Efros.实时用户引导的图像彩色化与学习的深度先验。ACMTransactions on Graphics,36(4):1
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![unitypackage](https://img-home.csdnimg.cn/images/20210720083646.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 利用迪杰斯特拉算法的全国交通咨询系统设计与实现
- 全国交通咨询系统C++实现源码解析
- DFT与FFT应用:信号频谱分析实验
- MATLAB图论算法实现:最小费用最大流
- MATLAB常用命令完全指南
- 共创智慧灯杆数据运营公司——抢占5G市场
- 中山农情统计分析系统项目实施与管理策略
- XX省中小学智慧校园建设实施方案
- 中山农情统计分析系统项目实施方案
- MATLAB函数详解:从Text到Size的实用指南
- 考虑速度与加速度限制的工业机器人轨迹规划与实时补偿算法
- Matlab进行统计回归分析:从单因素到双因素方差分析
- 智慧灯杆数据运营公司策划书:抢占5G市场,打造智慧城市新载体
- Photoshop基础与色彩知识:信息时代的PS认证考试全攻略
- Photoshop技能测试:核心概念与操作
- Photoshop试题与答案详解
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)