着色任务的关键是物体识别!

图片识别 09/11/2020

三个要点

✔️ 基于实例的着色方法的新训练基础
✔️ 通过在实例和全图层面提取图像特征并优化特征融合，提高了准确性
✔️ 传统的。与方法相比的最新性能

Instance-aware Image Colorization
written by Jheng-Wei Su, Hung-Kuo Chu, Jia-Bin Huang
(Submitted on 21 May 2020)
Comments: Accepted at CVPR2020
Subjects: Computer Vision and Pattern Recognition (cs.CV)
Paper Official Code Demo

介绍：

随着机器学习的发展，将灰度图像转换为彩色图像的任务取得了很大的成功。将老旧的黑白图像转换为彩色图像一直是人们热议的话题，同时也让当时的彩色图像重见天日。然而，在实践中，这个任务是一个不现实的问题，因为它涉及到从单通道灰度图像中预测缺少的两个通道。此外，物体的着色有多种选择，甚至连衣服也可以是红、绿、蓝等多模态问题。

传统方法

传统的方法包括使用参考图像作为指导的用户参与的着色技术，以及随着深度学习的进步，对大型数据集进行学习和着色的着色技术。后者由于具有端到端的着色能力，是着色任务的主要方法，不过它不可避免地依赖于训练数据。

然而，据报道，这些现有方法对于有多个对象的图像，其性能明显差了很多。(图1)

图1：传统方法的当有多个对象时，问题点

在上图中，可以看到由于多个对象的原因，本身的着色效果并不好。像下图中的橙色，特别值得注意的是，图像后面的汽车的着色效果与提出的方法很好。

要阅读更多。

你需要在AI-SCHOLAR注册。

1分钟内免费轻松注册

或

与本文相关的类别

图片识别

加藤: AI-SCHOLAR是一个评论媒体，以通俗易懂的方式介绍关于AI（人工智能）的最新文章。人工智能的作用不仅限于技术创新，日本的科研能力正在下降，政府也在不断削减研究预算。向世界传达人工智能的技术、应用以及支持人工智能的基础科学的背景，是一个重要的外延，可以极大地影响社会对科学的理解和印象。 AI-SCHOLAR旨在帮助消除普通民众和专家之间对人工智能的理解差距，为人工智能融入社会做出贡献。另外，我们希望帮助大家把自己的学习和研究经验在媒体上体现出来，在社会上表达出来。任何人都可以用艰深的词汇来解释高深难懂的事情，但AI-SCHOLAR追求的是"可读性"和"可理解性"，充分利用词汇和设计来传递信息，以此为媒介。