第 13 章 智能图像彩色化处理技术.pptVIP

网络结构主网络主要分支F使用U-NET架构（Ronneberger等人2015年），已经证明其工作良好或各种条件生成任务（Isola等人2017）。网络由10个卷积块组成，conv1-10在v1-4中，在每个块中，特征张量在空间上逐渐减半，而在特征维度上则加倍。每个块包含2-3个conv+relu对conv7-10，空间分辨率恢复，而特征尺寸减半。在块conv5-6中，不是将空间解减半，而是使用因子2的扩张卷积。跨层链接：conv2和conv3块分别连接到conv8和conv9块。空间分辨率的变化是通过子采样或上采样操作实现的，每个卷积使用一个3×3的核。在每个卷积块后添加batchnorm层，这有助于训练ZhangR,ZhuJY,IsolaP,etal.Real-timeuser-guidedimagecolorizationwithlearneddeeppriors[J].ACMTransactionsonGraphics,2017,36(4):1-11.网络结构子网络子网络，即conv1-8，采用现有网络，从预先训练的权重微调conv9、conv10层都是从头开始训练的最后一个conv层是1×1内核，映射在conv10和输出颜色之间。因AB色域是有界，在输出上添加一个最终的tanh层ZhangR,ZhuJY,IsolaP,etal.Real-timeuser-guidedimagecolorizationwithlearneddeeppriors[J].ACMTransactionsonGraphics,2017,36(4):1-11.定性和定量实验验证先自动测试局部提示网络。验证了只需很少的训练和1分钟的图像处理然后，评估了我们的全局提示网络实验实验结果实验结果UserGuidedImageColorizationUserGuidedImageColorizationVideoColorizationChengZ,YangQ,ShengB.DeepColorization[C]//IEEEInternationalConferenceonComputerVision.2015.ChengZ论文的工作是灰度图的自动着色论文贡献提出一种高质量的全自动着色方法。对大规模数据集进行建模，并对彩色化问题进行描述使用深度神经网络技术,采用Luv色彩空间使用基于联合双边滤波的后处理2.Luv空间彩色化处理图像的伪彩色化实例1---深度神经网络两个主要步骤：训练：使用大规模图像数据集训练神经网络；预测:使用学习的神经网络对目标灰度图像进行着色。原理采用一般的神经网络结构Thissectionformulatesimagecolorizationasaregressionproblemandsolvesitusingaregulardeepneuralnetwork.对有样例：，表示灰度图像，表示彩色图像存在一个复杂的灰到色映射函数F，该函数可以将中每个像素提取的特征映射到相应的中的色度值学习F实现彩色化：神经网络结构原理采用Luv色彩空间希望得到的u和v作为颜色的预测结果，但是从现有灰度图像可以计算得到特征问题转为：由特征预测颜色的问题利用最小二乘优化方法：网络结构采用Luv色彩空间希望得到的u和v作为颜色的预测结果，但是从现有灰度图像可以计算得到特征结构：深度神经网络由一个输入层、多个隐藏层和一个输出层组成。每层可包含不同数量的神经元。输入层的神经元的数量等于（从灰度图像）提取特征的维数输出相应颜色值的U和V通道隐层神经元个数：为输入的一半隐藏层或输出层中的每个神经元都与下一层的所有神经元相连，并且每个连接都具有一个相关权重网络结构神经元输出：激活函数：ReLU反向传播，训练权重神经网络训练采用Sundatabase，2688张图像进行训练每个图像被分割成若干个对象区域，共使用47个对象类别（例如建筑、汽车、海洋等）。神经网络有一个输入层、三个隐藏层和一个输出层。实验证明，使用更多的隐藏层不能进一步提高着色效果。在每个像素位置提取49维（7×7）面片特征、32维DAISY特征和47维语义特征。在输入层总共有128个神经元。将隐层神经元的数目设置为输入层神经