رنگ‌آمیزی خودکار تصاویر خاکستری به‌کمک شبکه‌های زایای رقابتی

رنگ آمیزی تصاویر خاکستری یکی از مسائل مهم در حوزه بازیابی اطلاعات تصویری محسوب می​شود. البته میزان موفقیت روش های خودکار در این حوزه در برابر عملکرد گرافیست ها و ویراستاران تصویر ناچیز بوده است. از بین رفتن اطلاعات رنگ ها و دست یابی به قسمت محدودی از اطلاعات اولیه تصاویر، این موضوع را به چالشی منحصربه فرد تبدیل می​کند؛ چون هدف اصلی در رنگ آمیزی تصاویر خاکستری، پیدا کردن رنگ اصلی و واقعی تصویر نیست؛ بلکه تلاش بر این است تا نوعی رنگ آمیزی که از نظر انسان ها »واقعی « به نظر می رسد، برای تصویر ارائه شود. در این مقاله سامانه ای برای رنگ آمیزی تصاویر خاکستری اشخاص و انسان ها ارائه شده است. در این سامانه که نیاز به پیش پردازش تصاویر یا مولفه های پردازشی مستقل ندارد، از یک شبکه عصبی عمیق برای رنگ آمیزی تصاویر افراد و از شبکه ای دیگر برای بررسی بازخورد عملکرد رنگ آمیزی استفاده می​شود. نتایج حاصل از پژوهش، عملکرد کیفی بهتری را در رنگ آمیزی تصاویر افراد در مقایسه با روش های مرسوم در این عرصه نشان می​دهد که در مدت زمان آموزش، به مراتب کمتری به دست آمده است. کاربرد این سامانه نه تنها در رنگ آمیزی تصاویر افراد، بلکه در رنگ آمیزی پُرتره های غیر انسانی و آثار هنری نیز کاربرد دارد و به کمک آن می​توان رنگ آمیزی مناسبی برای اثرهایی که ممکن است، ساعت ها زمان ببرند، در کسری از ثانیه انجام داد.

Automatic Colorization of Grayscale Images Using Generative Adversarial Networks

Automatic colorization of gray scale images poses a unique challenge in Information Retrieval. The goal of this field is to colorize images which have lost some color channels (such as the RGB channels or the AB channels in the LAB color space) while only having the brightness channel available, which is usually the case in a vast array of old photos and portraits. Having the ability to colorize such images would give us a multitude of possibilities ranging from colorizing old and historic images to providing alternate colorizations for real images or artistic creations. Be that as it may, the progress in this field is trivial compared to what the professionals are able to do using specialpurpose applications such as Photoshop or GIMP. On the other hand, losing the information stored in color channels and having only access to the primary brightness channel, makes this problem a unique challenge, since the main aim of automatic colorization is not to find the image rsquo;s ldquo;real rdquo; color but to colorize it in such a way that makes it ldquo;seem real rdquo; as the original color information is lost forever and the only way to colorize it, is to provide a somewhat ldquo;proper rdquo; estimation. In this research we propose a model to automatically colorize gray human portraits. We start by reviewing the methods used for the task of image colorization and provide an explanation as to why most of them collapse to a situation known as ldquo;Averaging rdquo;. To counteract this effect, we design our endtoend model with two separate deep neural networks forming a Generative Adversarial Network (GAN), one to colorize the images and the other to evaluate the colorization of the first network and guide it towards the proper distribution. The results show improvements over other proposed methods in this field especially in the case of colorizing human portraits along faster train times. This method not only works on real human portraits but also on nonhuman and artistic portraits that can be leveraged to colorize handdrawn images some of which may take minutes up to hours by hand.