基于深度学习的图像着色研究综述.docVIP

基于深度学习的图像着色研究综述

一、图像着色技术的发展脉络

图像着色是指为单通道灰度图像赋予合理的三通道彩色信息的技术，其核心挑战在于灰度信息与彩色信息之间固有的一对多映射关系——同一灰度值可能对应现实中数十种不同的色彩，需要模型结合上下文语义、常识知识甚至主观审美做出合理推断。在深度学习技术普及之前，传统着色方法主要分为两类：一类是基于人工交互的着色方案，需要用户在图像特定区域标注色彩参考点，算法通过颜色扩散、邻域平滑等规则完成剩余区域的填充，这类方法对用户专业能力要求高，处理复杂图像时效率极低，难以适配大规模批量化处理需求；另一类是基于参考图像的迁移着色方案，通过匹配灰度图像与参考彩色图像的纹理、边缘特征，将参考图的色彩映射到目标灰度图上，这类方法高度依赖参考图像的相似度，当参考图与目标图语义差异较大时容易出现颜色溢出、语义错配等问题。

2014年生成对抗网络（GAN）的提出为图像着色领域带来了革命性突破，同年斯坦福大学研究团队首次将卷积神经网络（CNN）应用于自动着色任务，通过在大规模ImageNet数据集上训练端到端模型，实现了无需人工干预的全自动着色，模型输出结果的自然度远超传统方法。此后十年间，深度学习技术逐步成为图像着色领域的主流技术路径，相关研究成果从实验室走向工业应用，在老照片修复、动漫制作、医疗影像可视化、卫星遥感图像处理等领域展现出极高的实用价值。

二、基于深