【图像上色小综述】生成对抗网络的GAN法
点击上方“机器学习与生成对抗网络”,关注"星标"
获取有趣、好玩的前沿干货!
超100篇!CVPR 2020最全GAN论文梳理汇总!
0,图像上色及其分类
图像上色一般分为两种:无引导上色和有引导上色。
顾名思义,无引导指的是全交由算法进行自动化上色,而有引导则在上色过程中有人为(其它参照)干预,比如给出一幅风格参考图像或指定某一区域为特定颜色。
图像上色的主要难点比如:1)数据集获取;2)上色的语义辨识性,前背景、各目标实例独立色彩效果;3)合理统一的评估方法等
结合GAN的上色方案一般具有一些优点是:1)GAN生成模型擅长图像转换任务,而图像上色也属于图像转换;2)训练效果引入判别器判定,对抗损失可视作一种”学习出来“的loss,减免人工精心设计loss难度;3)擅长生成多样性的上色方案等
1,2017: Unsupervised Diverse Colorization via Generative Adversarial Networks
灰度图像上色是计算机视觉中的热门话题。以前的研究主要集中在如何以有监督的学习方式产生彩色图像。
但由于许多颜色共享相同的灰度值,因此输入的灰度图像可以在保持其真实性的同时进行多种着色。
本文为无监督的多种着色设计了一种新颖的解决方案。具体来说,利用条件生成对抗网络对现实世界中物体颜色的分布进行建模,其中一种具有多层噪声的全卷积生成器被提出以增强多样性。
该模型在开放的LSUN卧室数据集中产生了极具竞争力的性能,对80个人进行的图灵测试进一步表明方案的有效性。
2,2017-ACPR: Style Transfer for Anime Sketches with Enhanced Residual U-net and Auxiliary Classifier GAN
根据内容图像和目标风格图像,神经风格迁移可以自动合成指定的、目标风格的内容图像。但将绘画的风格应用于动漫草图任务时,只会将草图线随机着色为输出。
本文将残差U-net集成到带有辅助分类器的生成对抗网络(AC-GAN)中,以完成动漫草图上色任务。
该方法属于有引导的图像上色方法。
上图网络结构中,使用了预训练的VGG网络提取”全局风格提示“来辅助训练。对于照片着色、阴影、材质和纹理是输入中的变量,网络可依据提示信息分析颜色分布。作者在实验中发现加入两个中间层的”引导解码器“后,可以为网络提供更稳定的梯度。
3,2018-ACMTOGTSC: Two-stage Sketch Colorization
素描或线稿艺术上色是一个具有巨大市场需求的研究领域。与强烈依赖纹理信息的普通照片上色不同,草图上色更具挑战性,因为草图可能没有纹理。
本文提出一个基于半自动学习的框架,以用适当的颜色、纹理和渐变为草图着色。
方法包括两个阶段。在第一个绘图阶段,模型预测颜色区域,并在草图上飞溅多种颜色以获得颜色草图;在第二个细化阶段,检测出不协调的颜色和伪像,并修复和细化成最终结果。
4,2017-CVPR: Scribbler: Controlling Deep Image Synthesis with Sketch and Color
最近的一些工作已经使用深度卷积网络来生成逼真的图像。这些方法避开了传统的计算机图形渲染流程,而是通过从大量照片(例如人脸或卧室)中学习来生成像素级别的图像。但是,由于用户难以控制网络产生的内容,作者这些方法的用途有限。
本文提出了一种以草图和稀疏的笔画为条件,生成逼真的汽车、卧室或面孔。
文章属于较早2017的CVPR,网络结构类似于pix2pix,损失也是在如今看来非常常见的对抗损失、L2损失、特征感知损失等。
5,2018-ACM Multimedia: User-Guided Deep Anime Line Art Colorization with Conditional Adversarial Networks
基于涂鸦颜色的线稿上色是一个具有挑战性的计算机视觉问题,因为线稿中既无灰度值也无语义信息,并且缺乏真实的训练数据图像对image pair也增加了难度。
之前几种基于对抗网络的方法已经取得了巨大的成功,但这些方法无法捕获真实的插图分布,在某种意义上说它们缺乏精确的阴影,并不令人满意。
本文提出一种深度条件对抗架构:将条件框架与WGAN-GP以及感知损失进行了集成,以稳健地训练网络,使合成图像更加自然和真实。此外还引进了独立于合成数据的局部特征网络。
收集了两个数据集,高质量的彩色插图和真实的线条艺术。
6,2018-ECCV: Coloring with Words: Guiding Image Colorization Through Text-based Palette Generation
本文提出了一种新的基于文本引导的上色方法,通过生成符合输入文本语义的多个调色板,然后根据生成的调色板对给定的灰度图像进行上色。
与现有方法相比,模型可理解富文本(单个单词、短语和句子),并可从中生成多个可能的调色板。为此引进了一个“调色板和文本(PAT)”的数据集。
提出的模型Text2Colors由两个条件生成对抗网络组成:文本到调色板的生成网络和基于调色板的上色网络。前者捕获文本输入的语义并产生相关的调色板;后者使用生成的调色板为灰度图像上色。
7,2019-CVPR: Coloring With Limited Data: Few-Shot Colorization via Memory-Augmented Networks
尽管之前基于深度学习的自动上色方面取得了非常好的进步,但在少样本的情况下,仍然受到限制:现有模型需要大量的训练数据。
本文提出了一种新颖的存储memory增强型上色模型:MemoPainter(通过查询的方式,获取在memory网络里中训练集里给定的颜色信息以引导上色),该模型可在有限的数据下产生高质量的着色。作者认为所提出模型能够捕获稀有实例并更好地为它们上色。
还提出了一种新颖的阈值三元损失(threshold triplet loss),可在无类标签下完成对存储网络进行无监督的训练。
8,2020-CVPR: Reference-Based Sketch Image Colorization using Augmented-Self Reference and Dense Semantic Correspondence
与大多数有引导图像上色方法一样,本文在给定已着色的参考图像下,解决了草图自动上色问题。在漫画动画中,对素描图像上色的需求很大,但素描(纹理等)信息匮乏。为此,参考图像通过以一种可靠的、用户驱动的方式辅助上色过程。
但训练数据集获取是个问题,且数据集如何保证具有足够多的语义上有意义的图像对(image pair)?
为了应对这一挑战,提出使用具有几何失真的相同图像作为虚拟参考图像去引导上色,这可以确保彩色输出图像具有更具有真实性的ground true。
GAN&CV交流群,无论小白还是大佬,诚挚邀您加入!
一起讨论交流!长按备注【进群】加入:
拆解组新的GAN:解耦表征MixNMatch
StarGAN第2版:多域多样性图像生成
附下载 | 《可解释的机器学习》中文版
附下载 |《TensorFlow 2.0 深度学习算法实战》
附下载 |《计算机视觉中的数学方法》分享
《基于深度学习的表面缺陷检测方法综述》
《零样本图像分类综述: 十年进展》
《基于深度神经网络的少样本学习综述》
【图像上色小综述】生成对抗网络的GAN法相关推荐
- GAN属于计算机视觉领域嘛_【图像上色小综述】生成对抗网络的GAN法
本文首发于公众号[机器学习与生成对抗网络],欢迎关注.回复 GAN 获取分类好的论文集,后台会邀您加入CV&GAN交流群一起讨论) 戳我,查看GAN的系列专辑~! 0,图像上色及其分类 图像上 ...
- 综述 | 生成对抗网络(GAN)在图网络中的应用
导语: 生成对抗网络(Generative Adversarial Network,简称GAN)是非监督式学习的一种方法,通过让两个神经网络相互博弈的方式进行学习.自2014年GAN网络提出以来,其在 ...
- 万字综述之生成对抗网络(GAN)
作者丨郭晓锋 单位丨爱奇艺 研究方向丨图像生成 前阵子学习 GAN 的过程发现现在的 GAN 综述文章大都是 2016 年 Ian Goodfellow 或者自动化所王飞跃老师那篇.可是在深度学习,G ...
- 孪生网络图像相似度_生成对抗网络的进步多大,请看此文
全文共4175字,预计学习时长8分钟 最近,多项研究采用了生成对抗网络(Generative Adversarial Networks, 简称GANs)这一技术来生成分辨率为1024x1024的高清图 ...
- 使用生成对抗网络(GAN)实现对图像的生成
目录 前言 一.GAN模型简介 二.Fashion MNIST数据集简介 三.算法实现 1.导入必要的库 2.下载并展示数据集 3.数据的预处理 4.定义生成器 5.定义判别器 6.构建模型 7.训练 ...
- 基于生成对抗网络(GAN)的人脸变形(附链接) | CSDN博文精选
扫码参与CSDN"原力计划" 翻译 | 张一豪 校对 | 吴金笛 来源 | 数据派THU *点击阅读原文,查看「CSDN原力计划」详细说明. 本文详细介绍了生成对抗网络(GAN)的 ...
- 不到 200 行代码,教你如何用 Keras 搭建生成对抗网络(GAN)
不到 200 行代码,教你如何用 Keras 搭建生成对抗网络(GAN) 生成对抗网络(Generative Adversarial Networks,GAN)最早由 Ian Goodfello ...
- 七个不容易被发现的生成对抗网络(GAN)用例
像许多追随AI发展的人一样,我无法忽略生成建模的最新进展,尤其是图像生成中生成对抗网络(GAN)的巨大成功.看看下面这些样本:它们与真实照片几乎没有区别! 从2014年到2018年,面部生成的进展也非 ...
- 生成对抗网络(GAN)详细介绍及数字手写体生成应用仿真(附代码)
生成对抗网络(GAN)详细介绍及生成数字手写体仿真(附代码) 生成对抗网络简介 深度学习基础介绍 损失函数与梯度下降 反向传播算法推导 批量标准化介绍 Dropout介绍 GAN原始论文理解 生成对抗 ...
最新文章
- 创建数据目录及多节点目录
- jQuery.click()与onClick
- 学习Struts 2.0系列文章
- 【基础】主流web服务器的介绍
- ubuntu下配置jdk(离线压缩包方式)
- 聚簇索引和聚簇索引介绍
- LeetCode MySQL 618. 学生地理信息报告(row_number)
- C#学习之向量运算符重载
- html 在线图片压缩,JS HTML图片显示Canvas 压缩功能
- Three.js视频教程
- cadence IC
- 嵌入式linux开发实战——项目1认识嵌入式系统
- matlab与计量经济学,matlab与计量经济学
- Centos重置密码
- PDH性能测试之五--待续
- Linux工控主板的多通道高速并行采集方案(基于libiio)
- 预留度数Rx表达式的推导
- 阿里实现Redis亿级存储的方案
- Java常用集合排序
- 人生没有白走的路,每一步都算数