1. Ours Our method trained with cla

1. Ours Our method trained with class rebalancing (λ =
1
2
in Equation 6).
2. Ours fine-tuned without class-rebalancing To specifically test the contribution
of class-rebalancing, we finetune our trained model on a nonrebalanced
objective (λ = 1 in Equation 6) for 16k iterations.
3. Dahl [2] Regression model using a Laplacian pyramid on VGG features.
4. Random As a naive baseline, we copy the colors from a randomly chosen
image from the training set. This baseline has natural image color statistics.
5. Gray We use a naive baseline which colors every pixel gray

ผลลัพธ์ (ไทย) 1:

1. เราเราฝึกกับคลา rebalancing (λ =12ในสมการ 6)2. เราปรับไม่ปรับสมดุลระดับการทดสอบผลงานโดยเฉพาะของระดับปรับสมดุล เรา finetune โมเดลของเราผ่านการฝึกอบรมในการ nonrebalancedวัตถุประสงค์ (λ = 1 ในสมการที่ 6) สำหรับการวนซ้ำ 16 k3. ดาห์ [2] แบบจำลองถดถอยที่ใช้ Laplacian พีระมิดบนคุณสมบัติ VGG4. สุ่มปัจจัยไร้เดียงสา เราคัดลอกสีจากการสุ่มเลือกภาพจากชุดฝึกอบรม ภาพธรรมชาติสีสถิติพื้นฐานนี้ได้5. สีเทาเราใช้พื้นฐานไร้เดียงสาซึ่งสีเทาทุกพิกเซล

ผลลัพธ์ (ไทย) 2:

1. เราวิธีการของเราได้รับการฝึกฝนด้วยการปรับสมดุลระดับ (λ =
1
2
ในสมการ 6).
2 เราปรับระดับได้โดยไม่ต้องปรับสมดุลการทดสอบโดยเฉพาะผลงาน
ของระดับการปรับสมดุลเรา finetune รูปแบบการฝึกอบรมของเราใน nonrebalanced
วัตถุประสงค์ (λ = 1 ในสมการ 6) สำหรับ 16k ซ้ำ.
3 ดาห์ล [2] แบบการถดถอยโดยใช้ปิรามิด Laplacian กับคุณสมบัติ VGG.
4 สุ่มในฐานะที่เป็นพื้นฐานไร้เดียงสาเราคัดลอกสีจากการสุ่มเลือก
ภาพจากชุดการฝึกอบรม พื้นฐานนี้มีสถิติภาพสีธรรมชาติ.
5 สีเทาเราใช้พื้นฐานไร้เดียงสาซึ่งสีทุกพิกเซลสีเทา

ผลลัพธ์ (ไทย) 3:

1 . เราของเราวิธีการฝึกคลาสติ้ง ( λ =12ในสมการที่ 6 )2 . เราปรับจูนได้โดยไม่ต้องเรียนปรับสมดุลโดยเฉพาะการทดสอบ สนับสนุนของคลาสติ้ง เรา finetune รูปแบบการฝึกอบรมของเราใน nonrebalancedวัตถุประสงค์ ( λ = 1 ในสมการที่ 6 ) เพื่อสนับสนุนการทำซ้ำ .3 . ดาห์ล [ 2 ] แบบจำลองการถดถอยโดยใช้ Laplacian พีระมิดคุณสมบัติ vgg .4 . สุ่มเป็นค่าพื้นฐานที่ไร้เดียงสา เราลอกสีจากการสุ่มเลือกภาพจากชุดฝึกอบรม . พื้นฐานนี้มีสถิติภาพสีธรรมชาติ5 . สีเทาเราใช้ซื่อ ( ซึ่งสีแต่ละพิกเซลสีเทา