万园园， 王雨青， 张晓宁， 李荅群， 陈小林*

(1. 中国科学院 长春光学精密机械与物理研究所，吉林 长春 130033；2. 中国科学院大学，北京 100049)

1 引 言

图像彩色化实质就是为灰度图像的每一个像素分配颜色[1]。该技术在机器视觉、图像修复和影视制作等方面具有重要的应用价值。现有的彩色化方法有传统彩色化方法和基于深度学习的彩色化方法。

传统的彩色化方法可分成两种：基于局部颜色扩展的方法[1-4]和基于参考图的颜色传递的方法[1-4]。其中，基于局部颜色扩展的方法需要人为在灰度图像上进行颜色涂鸦，需要的用户操作量较大，在颜色扩散过程中易出现边缘误扩散等问题。基于参考图的颜色传递的方法需要选择一张与待彩色化灰度图相似的彩色图进行颜色迁移，虽然此类方法减小了用户操作量，但是对参考图的依赖程度高。由于传统算法受人工干预影响较大，且效率不高，在这个图像海量化的信息时代已经不再适用。

目前，基于深度学习的彩色化算法已经能实现自动彩色化。如Cheng[1]等人利用卷积神经网络来提取灰度图特征，使用联合双边滤波进行后续处理，实现了较好的彩色化效果。Iizuka[2]等人利用双流结构，融合灰度图像的局部特征和全局特征，并添加标签分类来实现颜色预测，但生成图像的颜色饱和度较低且细节损失较多。Zhang[3]等人将图像彩色化问题转化成对像素点颜色的分类问题，将饱和度高的颜色赋予高权重来获得鲜艳的颜色，但是容易造成颜色溢出的问题。……