概述
由於灰階記錄的是亮度而非原始色調,上色輸出是一種重建;歷史元數據可以限制選擇,但無法證明原始顏色。
深入探討
黑白影像記錄的是亮度而非顏色,因此上色必須推斷缺失的色調。模型可以在轉換為灰階的彩色照片上進行訓練,並被要求預測顏色,從而學習影像模式與可能顏色之間的統計關聯。一些方法在保持亮度結構的同時預測色度;影片方法還試圖使相鄰幀之間的顏色保持穩定。如記錄在案的制服或塗裝方案等元數據可以限制重建,但無法恢復影像中從未記錄的顏色。檔案庫應標註上色結果,並區分藝術重建與經歷史驗證的證據。
現實世界的實施
像 MyHeritage 這樣的家譜服務為後代家族的 1920 年代婚禮肖像增添色彩
紀錄片製片人將二戰檔案鏡頭著色以吸引現代觀眾
博物館使用著色和研究來重建歷史場景的可能外觀
一位愛好者對褪色的灰度街頭照片運行 DeOldify,以在線分享生動的修復版本
人工智慧在歷史照片和電影著色方面的未來
上色專案可以結合模型輸出、記錄在案的元數據和專家審查。清晰的標籤和對原始灰階來源的訪問有助於保持合理重建與經驗證的檔案證據之間的區別。
付諸實踐
為什麼這很重要
- 配裝選擇. 應用級設計決定了人工智慧是否能改善實際結果。
- 團隊與工作流程. 良好的工作流程整合可以創造使用者值得信賴的生產力效益。
- 風險與安全. 範圍明確的用例可以減少變更疲勞和實施風險。
留意
- 將損壞的流程自動化可能會加劇現有問題。
- 團隊可能會過度自動化並消除所需的人工判斷。
- 如果不持續評估輸出,品質可能會出現偏差。
後續步驟
- 繪製目前工作流程並確定摩擦最大的步驟。
- 在完全自動化之前定義人工檢查點。
- 對使用者進行提示、升級路徑和品質標準的訓練。
- 追蹤任務級結果以確認持續價值。
不斷探索
常見問題
什麼是 AI 為歷史照片和影片上色?
AI 上色預測灰階影像和影片的合理顏色。由於灰階記錄的是亮度而非原始色調,上色輸出是一種重建;歷史元數據可以限制選擇,但無法證明原始顏色。
為什麼著色人工智慧必須「猜測」舊照片中的顏色?
灰階影像僅儲存亮度,因此原始顏色根本不存在且必須推斷。
在《Colorful Image Colorization》論文中,模型從 L 通道預測什麼?
引用的方法將影像轉換為 CIE Lab,並從 L 通道預測 a 和 b 顏色通道;這是特定於該論文的设计,而非對所有上色工具的聲稱。
通常如何訓練著色模型?
研究人員從現有彩色照片中去除顏色,然後訓練網路來預測可以與原始照片進行比較的顏色。
DeOldify 普及了什麼技術來獲得更可信的色彩?
DeOldify 使用了一種生成對抗性設置,批評者將生成器推向真實而不是沉悶的顏色。
與單張照片相比,彩色膠卷增加了哪些額外的挑戰?
每個框架的顏色必須與相鄰框架的顏色一致,否則結果會令人分心地閃爍。