Open irfanICMLL opened 7 years ago
data：任何有颜色的图片（来源于ImageNet上的1.3M训练图片和10K张测试图片） 对比试验所用数据集来源于文章：Learning Large-Scale Automatic Image Colorization
method： input——L通道 ，灰度图 output——一个WHQ的矩阵，对每个点在313个可能的颜色空间上的取值给出一个概率 目标函数，颜色分类错误对数误差和乘上一个与先验颜色分布有关的权重系数（颜色越常见，系数越小）。 利用CNN，Caffe，代码开源在github上。https://github.com/richzhang/colorization
results：在AMT测试上达到32.3%，远超文中选取的别的方法。
innovation： class rebalancing——对不常见的颜色的权重进行调整，在loss function里面的权重大一些。 annealed-mean——对于输出结果合成图片时，选取众数的值容易产生不连续的斑点，选取平均 数的值不生动，颜色不自然。最终利用模拟退火技术，遍历T，找到最佳参数拟合输出 AMT（衡量标准）——对于一组图，真实图和生成图，让被测试者选出哪个有假的颜色。 ps：这个与之前那个sketch生成image的比起来更难一些，那篇文章的描述说，让被测试者看一张图片，选择真实或者不真实，没对比的话正确率自然高一些。不过根据这篇文章中的结果看，一些真实图片的颜色确实有点奇怪，不知道是不是为了发文章。。。
useful details：没有pooling层，都是通过上采样或者降采样、颜色权重均衡。（把输出当做一个分类问题这种思路比较清奇，不知道能否用得上）
data：任何有颜色的图片（来源于ImageNet上的1.3M训练图片和10K张测试图片） 对比试验所用数据集来源于文章：Learning Large-Scale Automatic Image Colorization
method： input——L通道 ，灰度图 output——一个WHQ的矩阵，对每个点在313个可能的颜色空间上的取值给出一个概率 目标函数，颜色分类错误对数误差和乘上一个与先验颜色分布有关的权重系数（颜色越常见，系数越小）。 利用CNN，Caffe，代码开源在github上。https://github.com/richzhang/colorization
results：在AMT测试上达到32.3%，远超文中选取的别的方法。
innovation： class rebalancing——对不常见的颜色的权重进行调整，在loss function里面的权重大一些。 annealed-mean——对于输出结果合成图片时，选取众数的值容易产生不连续的斑点，选取平均 数的值不生动，颜色不自然。最终利用模拟退火技术，遍历T，找到最佳参数拟合输出 AMT（衡量标准）——对于一组图，真实图和生成图，让被测试者选出哪个有假的颜色。 ps：这个与之前那个sketch生成image的比起来更难一些，那篇文章的描述说，让被测试者看一张图片，选择真实或者不真实，没对比的话正确率自然高一些。不过根据这篇文章中的结果看，一些真实图片的颜色确实有点奇怪，不知道是不是为了发文章。。。
useful details：没有pooling层，都是通过上采样或者降采样、颜色权重均衡。（把输出当做一个分类问题这种思路比较清奇，不知道能否用得上）