Colorizing grayscale images has bee

Colorizing grayscale images has been a long sought-after goal in computer graph- ics and is closely related to dicult pixel prediction problems in computer vi- sion. Previous automatic approaches have failed to capture the full range and vibrancy of colors in the natural world. We have presented a method that ad- dresses this issue and is able to produce colorful and diverse results. To do so, we utilize a classication framework that models the inherent multimodality in color prediction, introduce a class-rebalancing scheme to promote the learning of rare colors, and train a bigger model on more data than past methods. We test our algorithm by evaluating a low-level per-pixel accuracy metric, along with high-level semantic interpretability and perceptual realism metrics. The results demonstrate colorization with a deep CNN and a well-chosen objective function can come close to producing results indistinguishable from real color photos.

ผลลัพธ์ (ไทย) 1:

ปรับภาพระดับสีเทาได้รับเป้าหมายเรื่องยาวในคอมพิวเตอร์กราฟ-ics และเกี่ยวข้องอย่างใกล้ชิด dicult พิกเซลคาดเดาปัญหาคอมพิวเตอร์ vi-sion ไม่สามารถถ่ายเต็มรูปแบบและชีวิตชีวาของสีในธรรมชาติของโลกวิธีอัตโนมัติที่ก่อนหน้านี้ได้ เราได้นำเสนอวิธีการที่โฆษณาชุดปัญหานี้ และสามารถให้ผลลัพธ์ที่หลากหลาย และมีสีสัน การทำดังนั้น เราใช้ framework classication ที่รุ่น multimodality อยู่ในการคาดเดาสี แนะนำแบบ rebalancing ชั้นเพื่อส่งเสริมการเรียนรู้ของสีหายาก และรถไฟแบบใหญ่ข้อมูลมากขึ้นกว่าวิธีที่ผ่านมา เราทดสอบเราประเมินเมตริกความแม่นยำระดับต่ำต่อพิกเซล interpretability ตรรกพื้นฐานและวัดความจริงที่รับรู้ ผลการปรับสีกับ CNN ลึก และฟังก์ชันวัตถุประสงค์ดีเลือกสามารถมาใกล้กับผลิตผลแยกไม่ออกจากรูปภาพเป็นสี

ผลลัพธ์ (ไทย) 2:

การระบายสีภาพระดับสีเทาได้รับเป้าหมายขอหลังยาวในเครื่องคอมพิวเตอร์ graph- ICs และเกี่ยวข้องอย่างใกล้ชิดกับปัญหา dicult พิกเซลทำนายในเครื่องคอมพิวเตอร์ vi- ไซออน วิธีการอัตโนมัติก่อนหน้านี้ได้ล้มเหลวในการจับภาพอย่างเต็มรูปแบบและความสั่นสะเทือนของสีในธรรมชาติของโลก เราได้นำเสนอวิธีการที่ปรับแก้ชุดปัญหานี้และสามารถที่จะก่อให้เกิดผลที่มีสีสันและมีความหลากหลาย จะทำเช่นนั้นเราใช้กรอบ classication ว่ารุ่น multimodality โดยธรรมชาติในการทำนายสีแนะนำโครงการระดับปรับสมดุลเพื่อส่งเสริมการเรียนรู้ของสีที่หายากและฝึกอบรมรุ่นใหญ่ในข้อมูลได้มากขึ้นกว่าวิธีการที่ผ่านมา เราจะทดสอบอัลกอริทึมของเราโดยการประเมินในระดับต่ำต่อความถูกต้องพิกเซลตัวชี้วัดพร้อมกับระดับสูง interpretability ความหมายและตัวชี้วัดความสมจริงในการรับรู้ แสดงให้เห็นถึงผล colorization กับซีเอ็นเอ็นลึกและดีเลือกฟังก์ชันวัตถุประสงค์สามารถมาใกล้เคียงกับการผลิตผลลัพธ์ที่แตกต่างจากภาพสีจริง

ผลลัพธ์ (ไทย) 3:

ใส่สีไล่ระดับสีเทาภาพได้พยายามนานหลังจากที่เป้าหมายในกราฟ - คอมพิวเตอร์ ICS และเกี่ยวข้องอย่างใกล้ชิดเพื่อ dicult ปัญหาการทำนายพิกเซลใน 6 - คอมพิวเตอร์ในไซออน วิธีการอัตโนมัติก่อนหน้านี้ได้ล้มเหลวในการจับช่วงเต็มรูปแบบและความมีชีวิตชีวาของสีสันในธรรมชาติของโลก เราได้นำเสนอวิธีการที่โฆษณา - ชุดนี้ออก และสามารถสร้างผลลัพธ์ที่สีสันและความหลากหลาย ทำดังนั้น เราใช้ classication กรอบรุ่น multimodality โดยธรรมชาติในการทำนายสี แนะนำ เรียน โครงการส่งเสริมการเรียนรู้ปรับสมดุลสี หายาก และรถไฟรุ่นที่ใหญ่กว่าในข้อมูลมากกว่าวิธีการที่ผ่านมา เราทดสอบอัลกอริทึมของเรา โดยการประเมินระดับล่างต่อพิกเซลความถูกต้องเมตริกพร้อมกับระดับสูง interpretability รับรู้ความหมายและความสมจริงที่มาตรวัด ผลลัพธ์ที่แสดงให้เห็นถึงสีกับซีเอ็นเอ็นลึกและดีเลือกวัตถุประสงค์การทำงานสามารถเข้าใกล้การผลิตผลลัพธ์หลากสีรูปจริง