彩色图像上色 [项目页面]

Richard Zhang, Phillip Isola, Alexei A. Efros。发表于 ECCV, 2016。

+ 实时用户引导图像上色的自动上色功能，基于学习的深度先验，SIGGRAPH 2017！

[2023年9月更新] 由于距今已有3-4年时间，我已将此仓库转换为支持在PyTorch中进行最小化测试时使用的版本。我还添加了我们在SIGGRAPH 2017提出的算法（这是一种交互式方法，但也可以实现自动上色）。原始发布版本请参阅Caffe分支。

克隆仓库；安装依赖

git clone https://github.com/richzhang/colorization.git
pip install requirements.txt

开始上色！ 此脚本将对一张图片进行上色。结果应与imgs_out文件夹中的图片一致。

python demo_release.py -i imgs/ansel_adams3.jpg

在Python中加载模型 下面的代码加载了预训练好的上色模型。有关如何运行该模型的一些细节，请参阅demo_release.py。其中包含一些预处理和后处理步骤：转换到Lab颜色空间，调整大小至256x256，进行上色，再与原始全分辨率图像拼接，并转换为RGB格式。

import colorizers
colorizer_eccv16 = colorizers.eccv16().eval()
colorizer_siggraph17 = colorizers.siggraph17().eval()

原始实现（Caffe分支）

原始实现包含了训练和测试部分、我们的网络以及用于表征学习测试的AlexNet，还有相关的表征学习实验。该实现基于Caffe框架，目前已不再维护。请参阅caffe分支获取原始版本。

引用方式

如果您在研究中使用了这些模型，请使用以下BibTeX格式引用：

@inproceedings{zhang2016colorful,
  title={Colorful Image Colorization},
  author={Zhang, Richard and Isola, Phillip and Efros, Alexei A},
  booktitle={ECCV},
  year={2016}
}

@article{zhang2017real,
  title={Real-Time User-Guided Image Colorization with Learned Deep Priors},
  author={Zhang, Richard and Zhu, Jun-Yan and Isola, Phillip and Geng, Xinyang and Lin, Angela S and Yu, Tianhe and Efros, Alexei A},
  journal={ACM Transactions on Graphics (TOG)},
  volume={9},
  number={4},
  year={2017},
  publisher={ACM}
}

杂项

如有任何问题或意见，请联系Richard Zhang，邮箱地址为rich.zhang at eecs.berkeley.edu。

Colorful Image Colorization 快速上手指南

本指南基于 Richard Zhang 等人提出的图像自动上色项目（ECCV 2016 & SIGGRAPH 2017），帮助开发者快速在 PyTorch 环境中实现黑白图像自动上色。

环境准备

• 操作系统：Linux / macOS / Windows (需配置 Python 环境)
• Python 版本：建议 Python 3.6+
• 核心依赖：
  • PyTorch
  • NumPy
  • SciPy
  • Pillow
  • scikit-image

国内加速建议：安装依赖时推荐使用清华或阿里镜像源，以提升下载速度。

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

1. 克隆仓库

   git clone https://github.com/richzhang/colorization.git
   cd colorization
   

2. 安装依赖

   pip install -r requirements.txt
   

   (若遇网络问题，请参照上方“环境准备”中的镜像源命令)

基本使用

1. 命令行快速上色

运行以下命令即可对示例图片进行自动上色，结果将保存至 imgs_out 文件夹：

python demo_release.py -i imgs/ansel_adams3.jpg

2. Python 代码调用

你可以在自己的 Python 脚本中加载预训练模型（支持 ECCV 2016 和 SIGGRAPH 2017 两个版本）：

import colorizers

# 加载 ECCV 2016 模型
colorizer_eccv16 = colorizers.eccv16().eval()

# 加载 SIGGRAPH 2017 模型 (支持交互式引导，也可用于自动上色)
colorizer_siggraph17 = colorizers.siggraph17().eval()

处理流程说明： 模型内部会自动执行以下步骤：将图片转换至 Lab 色彩空间 -> 缩放至 256x256 -> 预测颜色通道 -> 与原图高分辨率亮度通道合并 -> 转回 RGB 空间输出。详细预处理与后处理逻辑可参考 demo_release.py。