概述
It matters because it brings historical archives to life and restores faded or grayscale imagery without manual painting.
深入探討
著色從根本上來說是一個不適定的問題:單一灰色像素可能有多種顏色,因為亮度本身並不能編碼色調。現代系統將其視為預測,從數百萬張人工轉換為灰階的彩色照片中學習。卷積或變換器網路僅看到亮度通道並預測丟失的顏色通道,通常在 CIE Lab 顏色空間中,其中 L 保存亮度,a/b 保存顏色。由於草通常是綠色的,天空通常是藍色的,因此模型學習了強大的統計先驗。張等人的里程碑工作。 (2016) 定義為對顏色桶進行分類,以避免平均值褪色、飽和度降低。較新的擴散和基於範例的方法讓使用者可以透過提示或參考影像來引導顏色,以實現更好的控制。
現實世界的實施
為博物館和紀錄片恢復二戰時期和 19 世紀檔案照片的彩色版本
將經典黑白電影和電視片段變為彩色以重新製作並重新發行
家庭照片應用程式(例如 MyHeritage 和 Google Photos)可自動為舊祖先快照著色
對灰階醫學或科學掃描進行著色以突出顯示結構並改善視覺解釋
圖像著色的未來
著色正在朝向互動式、可控工具發展,使用者可以點擊提示顏色,模型就會一致地傳播它。擴散模型和語言提示(“讓衣服變紅”)增加了語義控制,而時間感知網絡則為整部電影著色,而不會出現幀與幀之間的閃爍。預計與同時進行去雜訊、升級和著色的修復管道會更緊密地集成,加上更強有力的保護措施,標記顏色是人工智慧推斷的猜測而不是歷史事實。
付諸實踐
為什麼這很重要
- 速度與規模. 視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
- 配裝選擇. 創意團隊可以透過更少的手動修改來更快地建立概念原型。
- 團隊與工作流程. 操作可以使用以前難以處理的影像和視訊訊號。
留意
- 如果出處不明,肖像權和同意可能會成為法律風險。
- 模型表現可能因光照、人口統計和環境的不同而有所不同。
- 除非監控置信閾值,否則誤報可能會被忽略。
後續步驟
- 定義精確度、召回率和錯誤成本的接受標準。
- 使用符合實際生產條件的數據進行測試。
- 為低置信度或高影響力的預測添加人工審核。
- 追蹤模型漂移並在相機或資料集變更後重新驗證。
不斷探索
常見問題
What is Image Colorization?
影像著色使用人工智慧為黑白照片和膠片添加合理、逼真的色彩。它很重要,因為它使歷史檔案栩栩如生,並且無需手動繪畫即可恢復褪色或灰階影像。
為什麼圖像著色被認為是“不適定”問題?
亮度本身並不能決定色調,因此一個灰色像素可能是紅色、藍色或綠色,使答案變得模糊。
在流行的 Lab 色彩空間方法中,網路接收什麼作為輸入?
灰階影像為L通道;此模型預測缺少的 a 和 b 色彩通道,並將它們與 L 重新組合。
為什麼張等人。框架顏色預測作為顏色“箱”的分類而不是直接回歸?
回歸單一值往往會將多種可能的顏色平均化為渾濁的棕灰色;分類到垃圾箱中可以保持顏色鮮豔。
模型如何在沒有被告知的情況下了解物體應該是什麼顏色?
對巨大資料集的訓練告訴模型,草通常是綠色的,天空通常是藍色的,膚色落在一定的範圍內。
對影片而不是單張照片進行著色時的主要挑戰是什麼?
如果每個幀都獨立著色,則同一物件可能會在幀之間改變色調,從而導致分散注意力的閃爍;時間模型解決了這個問題。