We instead utilize a loss tailored

We instead utilize a loss tailored to the colorization problem. As pointed out
by color prediction is inherently multimodal – many objects, such as a shirt,
can plausibly be colored one of several distinct values. To appropriately model
the multimodal nature of the problem, we predict a distribution of possible colors
for each pixel. Further, we explore reweighting the loss at training time to em-
phasize rare colors. This encourages our model to exploit the full diversity of the
large-scale data on which it is trained. Finally, we produce a final colorization by
taking the annealed-mean of the distribution. The end result is colorizations that
are more vibrant and perceptually realistic than those of previous approaches.

ผลลัพธ์ (ไทย) 1:

เราแทนใช้เพื่อปรับสีปัญหาการสูญเสีย เป็นเบื้อโดยสี ทำนายความต่อเนื่อง – หลาย วัตถุ เช่นเสื้อสามารถ plausibly สีหลายค่าอย่างใดอย่างหนึ่ง ต้องการอย่างเหมาะสมธรรมชาติต่อเนื่องของปัญหา เราคาดการกระจายของสีได้สำหรับแต่ละพิกเซล ต่อไป เราสำรวจ reweighting การสูญเสียเวลาการฝึกอบรมเพื่อ em-สีหายาก phasize นี้ส่งเสริมให้รูปแบบของเราจะใช้ประโยชน์จากความหลากหลายเต็มรูปแบบของการข้อมูลขนาดใหญ่ที่มีการฝึกอบรม ในที่สุด เราผลิตปรับสีที่พิจารณาโดยการอบเฉลี่ยของการแจกแจง ผลลัพธ์ที่ได้คือ colorizations ที่มี perceptually สมจริง และสดใสมากขึ้นกว่าวิธีการก่อนหน้านี้

ผลลัพธ์ (ไทย) 2:

เราใช้แทนการสูญเสียที่เหมาะกับปัญหา colorization เป็นแหลมออก
โดยการทำนายสีต่อเนื่องโดยเนื้อแท้ - วัตถุจำนวนมากเช่นเสื้อ,
ฟังสามารถสีหนึ่งในค่าแตกต่างกันหลาย เพื่อความเหมาะสมรูปแบบ
ธรรมชาติที่ต่อเนื่องของปัญหาที่เราคาดการณ์การกระจายของสีที่เป็นไปได้
สำหรับแต่ละพิกเซล นอกจากนี้เราสำรวจ reweighting การสูญเสียในช่วงเวลาการฝึกอบรมเพื่อ em-
phasize สีที่หายาก นี้จะช่วยกระตุ้นรูปแบบของเราจะใช้ประโยชน์จากความหลากหลายเต็มรูปแบบของ
ข้อมูลขนาดใหญ่ที่มันได้รับการฝึกฝน สุดท้ายเราผลิต colorization Fi NAL โดย
การอบ-ค่าเฉลี่ยของการกระจาย ผลลัพธ์ที่ได้คือ colorizations ที่
มีความสดใสมากขึ้นและรับรูสมจริงกว่าวิธีการก่อนหน้านี้

ผลลัพธ์ (ไทย) 3:

เราใช้ประโยชน์จากการสูญเสียแทน เหมาะกับสีอะไร เป็นแหลมออกโดยการทำนายสีเป็นอย่างโดยเนื้อแท้และวัตถุหลายแบบ เช่น แบบเสื้อก็ยังคงเป็นสีที่แตกต่างกันหลายค่า ให้เหมาะสมแบบลักษณะแบบของปัญหา เราทำนายการแพร่กระจายของสีที่เป็นไปได้สำหรับแต่ละพิกเซล ต่อไป เรามาดู reweighting การสูญเสียเวลาในการฝึกอบรมphasize สีที่หายาก นี้กระตุ้นให้นางแบบของเราจะใช้ประโยชน์จากความหลากหลายเต็มรูปแบบของขนาดใหญ่ข้อมูลที่ จะฝึก ในที่สุด , เราผลิตจึงจำหน่ายสีโดยรับอบค่าเฉลี่ยของการแจกแจง ผลลัพธ์ที่ได้คือ colorizations ว่ามีประกาย และมีเหตุผลรับรูกว่าวิธีก่อนหน้านี้