火遍全网的AI给老照片上色，这里有一份详细教程！
2025-03-30 01:29:07
深度学习在智能照片美化的应用之一是为黑白图像着色。此过程可以通过结合AI与照片着色实现，即便不具备Photoshop等图片编辑工具的操作技能，也可轻松为黑白照片着色。实现这一功能的步骤如下：
首先，当我们加载图像时，会得到一个三维数组，其中颜色通道的数据代表RGB颜色空间中的颜色，每个像素具有三个数字，表示该像素的红色、绿色和蓝色值。在图1中，左侧为原始图像，右侧分别为红色、绿色和蓝色通道。为图片着色时，根据给定的黑白图片，需要判断每个位置的像素的RGB值，颜色取值范围在0~255之间，这是一个256³的预测问题。CIE1976L*a*b*颜色空间是国际照明学会推荐的一种均匀色空间，包含明度L*和色度坐标a*、b*，其中L*表示颜色的明度，a*和b*分别表示偏红、偏绿、偏黄和偏蓝，图2展示了每个通道。
使用L*a*b*颜色空间为照片着色时，输入L*通道，输出其他两个通道（a*，b*）的预测，选择大约有65000个预测值，远小于RGB颜色空间，因此可以使用L*a*b*颜色空间的数据作为照片着色模型的训练数据。
生成对抗网络（GAN）是一种生成模型，其中包含两个模型：“生成器”和“判别器”。生成器用于生成数据，判别器对数据的真伪进行判断。在GAN模型训练时，生成器被视为一个伪造名画的画家，而判别器是一个名画鉴别家。通过对抗和学习过程，生成器逐渐提升伪造名画的能力，直到判别器无法辨别真伪。
使用GAN实现照片着色，模型结构如图3所示。训练使用来自COCO数据集的8000张图像，每轮训练时长约为4分钟，经过100轮训练后，生成效果如图4所示。模型可以对图像中的常见物体完成基本着色，但无法为稀有物体着色，并存在一些颜色溢出和圆形颜色块的问题。
针对上述问题，提出了新的策略：采用与U-Net结构类似的U形神经网络作为生成器的结构，输入灰度图，左侧提取图像特征进行内容识别，右侧根据内容识别结果还原并着色。判别器使用Critic卷积神经网络，输入图像，输出一个分数值表示真实度。在新的解决方案中引入了自注意力生成对抗网络（Self-Attention GAN），将注意力机制应用到生成器和判别器中，以更好地处理长范围、多层次的依赖，生成图像时协调每个位置的细节和远端细节，同时使判别器能够更准确地对全局图像结构实施复杂的几何约束。
以下是生成案例：
- 奥黛丽·赫本
- 冬季马路上骑车的人
- 花
- 草地上的小狗
- 中国江南水乡
尽管生成图片中还存在一些异常，如奥黛丽·赫本耳朵后面皮肤颜色，但整体效果已经非常不错，注意力层在颜色一致性及总体质量上的表现令人惊喜。
除了自动着色，GAN在图像超分辨率、去模糊等领域也受到关注。例如，图像超分辨率可通过上采样从低分辨率图像生成高分辨率图像，图像去模糊中生成器用于生成清晰图像。
此外，《计算机视觉应用与实战》一书详细讲解了以上技术。这是一本旨在帮助读者快速掌握计算机视觉实战技能的教材，特别适合初学者学习，内容涵盖农业、医学、工业等领域的案例，如植物病虫害检测、眼底血管图像分割、口罩佩戴检测等，并采用理论结合实际、大量插图、实例讲解的方式，帮助读者快速理解计算机视觉模型和算法的基本原理与关键技术。
热门标签
