Victory组近期整理了灰度图像着色开源代码，文章刊登于《中国计算机学会计算机视觉专委会简报》2019年第2期上。
灰度图像(gray image)是每个像素只有一个采样颜色的图像，即单通道图像，这类图像通常显示为从最暗黑色到最亮的白色的灰度，理论上这个采样可以任何颜色的不同深浅，甚至可以是不同亮度上的不同颜色。
灰度图像着色是将单通道的灰度图像，通过一定的操作，使其成为三通道的彩色图像的方法，在在影视处理、数字娱乐和动漫制作等方面有着广泛的应用前景。
在灰度图像着色领域，传统方法信息提取率不高，着色效果不理想，但随着人工智能的不断发展，灰度图像着色的效果越来越让人满意。目前灰度图像着色一般模式为：首先利用神经网络的信息提取的高效性，对图像中的各类信息及特征进行提取，构建并训练深度学习模型。训练网络时与原图像进行对比，逐渐减小网络输出结果的信息、分类等各类型的损失。训练完成后，只需向网络输入一张灰度图片，即可生成一张颜色饱满、鲜明逼真的彩色图片。下图为灰度图像着色示意图。
图1 灰度图像着色示意图
本文着重介绍几个基于深度学习的灰度图像说色技术的开源代码，包括训练深度学习模型的常用数据集和几个经典的图像着色深度神经网络的模型。
1.ImageNet数据集
介绍：ImageNet 是一个计算机视觉系统识别项目，是目前世界上图像识别最大的数据库。是美国斯坦福的计算机科学家，模拟人类的识别系统建立的。能够从图片识别物体。ImageNet是一个非常有前景的研究项目，未来用在机器人身上，就可以直接辨认物品和人了。超过1400万的图像URL被ImageNet手动注释，以指示图片中的对象;在至少一百万个图像中，还提供了边界框。ImageNet包含2万多个类别; 一个典型的类别，如“气球”或“草莓”，包含数百个图像。
主页：http://www.image-net.org/
2.Place365数据集
介绍：Places365是Places2数据库的最新子集。 Places365有两个版本：Places365-Standard和Places365-Challenge。Places365-Standard系列列车拥有来自365个场景类别的约180万张图像，每张图像最多可存储5000张图像类别。Places365-Challeng系列还有620万张图片以及Places365-Standard的所有图片(所以总共800万张图片)，每张图片最多有40,000张。
主页：http://places2.csail.mit.edu/
3.Colorful image colorization(CNN模型)
论文：Zhang R, Isola P,Efros A A. Colorful image colorization[C]//European conference on computervision. Springer, Cham, 2016: 649-666.
工作：该方案在自动图像着色的图形学领域取得了进步：设计了一个合适的损失函数来处理着色问题中的多模不确定性，维持了颜色的多样性；介绍了一种新型的着色算法评估框架，而且这种评估框架有应用到其他图像合成任务的潜力；通过在百万数量级的彩色图片上训练在这类任务上抵达了一个新的水准。该方法将图像着色任务转化为一个自监督表达学习的任务，并且在一些基准上获得了最好的效果。下图为网络结构图。
图2 Colorful image colorization网络结构图
代码：http://richzhang.github.io/colorization/
4.Image Colorization with Generative Adversarial Networks(GAN模型)
论文：NazeriK, Ng E. Image Colorization with Generative Adversarial Networks[J]. arXivpreprint arXiv:1803.05400, 2018.
工作：该方法使用GAN自动将灰度图像着色到可接受的视觉程度的彩色图像。将当前方法扩展到高分辨率图像。网络是针对公开可用的数据集(如CIFAR-10和Places365)进行训练。下图为该网络结构图：
图3 网络结构图
5.Interactive Deep Colorization(CNN模型)
论文：ZhangR, Zhu J Y, Isola P, et al. Real-time user-guided image colorization withlearned deep priors[J]. arXiv preprint arXiv:1705.02999, 2017.
工作：该方法是一种用于用户引导的图像着色的深度学习方法。系统将灰度图像以及本地用户的提示共同映射带卷积神经网络(CNN)中去，最终输出彩色图像。该方法通过模拟用户输入训练一百万张图像。为了引导用户进行有效的输入选择，系统根据输入图像和当前用户输入推荐可能的颜色作为备选颜色。着色在单个前馈过程中执行，可实现实时使用。下图为该方法的网络结构图：
图4 Interactive DeepColorization网络结构图
代码：https://richzhang.github.io/ideepcolor
6.Automatic Colorization of Grayscale Images(CNN模型)
论文：IizukaS, Simo-Serra E, Ishikawa H. Let there be color!: joint end-to-end learning ofglobal and local image priors for automatic image colorization withsimultaneous classification[J]. ACM Transactions on Graphics (TOG), 2016,35(4): 110.
工作：该方法结合了全局先验和局部图像特征。基于卷积神经网络，加入深层网络具有融合层，允许网络合并小图像块的局部信息和整个图像的全局信息，以端到端的方式进行训练。此外，与大多数基于CNN的现有方法不同，该架构可以处理任何分辨率的图像。利用现有的大型场景分类数据库来训练模型，利用数据集的类标签来更有效地和区别地学习局部信息和全局信息。下图为模型示意图：
图5 Automatic Colorization of Grayscale Images模型示意图
代码：https://github.com/williamFalcon/pix2pix-keras
7.Deep Exemplar-basedColorization(CNN模型)
论文：He M, Chen D, Liao J, et al.Deep exemplar-based colorization[J]. ACM Transactions on Graphics (TOG), 2018,37(4): 47.
工作：该方法是一种基于样本的局部着色的深度学习方法。该方法使用的端到端着色网络不是像传统的基于示例的方法那样使用手工制作的规则，而是学习如何从大规模数据中选择传播方式和预测颜色。即使在使用与输入灰度图像无关的参考图像时，该方法也可以很好地执行并且很好地推广。该网络允许用户通过简单地提供不同的参考来实现可定制的结果，只需选择顶部参考建议，就可以完全自动执行着色。
代码：https://github.com/msracver/Deep-Exemplar-based-Colorization
于浩洋
北京电子科技学院在读研究生，研究方向为同态加密，图像生成。
Email：
pec7@163.com
