基于生成式对抗网络的多样化染色

发布时间：2025-01-15 11:07

　　图像染色任务是计算机视觉学科中历久弥新的课题之一。绝大部分目前的图像染色课题的研究目标都是希望能够还原灰度图原来的真实颜色,因此这些研究大多采用有监督的确定性模型。然而我们知道,对于同一张灰度图,在保证灰度值通道不变的情况下,其实可以染色的方案有很多。因此本文探究的,是目前的研究还没有实现的无监督的多样化灰度图染色任务。我们的任务目标不再仅仅是恢复灰度图原来的颜色,而是希望能够输入一张灰度图,生成多样化的并且能保持高逼真性的彩色图片,同时又不改变图像的灰度值。近两年新提出的生成式对抗网络(Generative Adversarial Network,GAN)技术,采用无监督的对抗式学习方法,在多领域取得了优秀的成果,吸引了非常多研究者的关注。生成式对抗网络能够将随机噪声输入映射到目标图像域中,从而生成多样化而又逼真的图像。因此生成式对抗网络技术非常适合用于无监督的多样化灰度图染色任务。本文首次实现了基于生成式对抗网络的多样化图像染色任务,提出了一种新颖的生成式对抗网络结构,并针对该任务对网络进行了五点改进:(1)选择了步长为1的全卷积主体生成器结构替代原本模型中的步长为2的自编码器结构,...

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

图1–1图像染色问题示意

对图像染色任务更加明确的定义是：输入一张单通道的灰度图，给图上的每一个像素分配一个三通道的彩色像素值，使得最终得到一张符合我们的需求（比如真实性）的彩色图片，并且尽可能不改变彩色图的灰度值。如图1–1所示，左图是输入灰度图片，中间是确定性模型的染色结果，右图则是人工涂色的结果。可....

图1–2需要预先提供色彩的方法示意

早期的图像染色方法，大多需要通过预先人为地提供一些色彩信息[7,8]，如图1–2所示。很明显这种需要额外人工的方法费时又费力。因此后期对图像染色方法的研究主要集中在更加自动化地染色上。图1–2需要预先提供色彩的方法示意Fig1–2Colorizationgivenc....

图1–3图像类推法示意

早期的图像染色方法，大多需要通过预先人为地提供一些色彩信息[7,8]，如图1–2所示。很明显这种需要额外人工的方法费时又费力。因此后期对图像染色方法的研究主要集中在更加自动化地染色上。图1–2需要预先提供色彩的方法示意Fig1–2Colorizationgivenc....

图1–4基于概率的映射方法模型示意

早期的图像染色方法，大多需要通过预先人为地提供一些色彩信息[7,8]，如图1–2所示。很明显这种需要额外人工的方法费时又费力。因此后期对图像染色方法的研究主要集中在更加自动化地染色上。图1–2需要预先提供色彩的方法示意Fig1–2Colorizationgivenc....

本文编号：4027308