دوره 16، شماره 1 - ( 3-1398 )                   جلد 16 شماره 1 صفحات 57-74 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Haji-Esmaeili M M, Montazer G. Automatic Colorization of Grayscale Images Using Generative Adversarial Networks. JSDP. 2019; 16 (1) :57-74
URL: http://jsdp.rcisp.ac.ir/article-1-789-fa.html
حاجی اسمعیلی محمد مهدی، منتظر غلامعلی. رنگ‌آمیزی خودکار تصاویر خاکستری به‌کمک شبکه‌های زایای رقابتی . پردازش علائم و داده‌ها. 1398; 16 (1) :57-74

URL: http://jsdp.rcisp.ac.ir/article-1-789-fa.html


دانشگاه تربیت مدرس
چکیده:   (374 مشاهده)
رنگ‌آمیزی تصاویر خاکستری یکی از مسائل مهم در حوزه بازیابی اطلاعات تصویری محسوب میشود. البته میزان موفقیت روش‌های خودکار در این حوزه در برابر عملکرد گرافیست‌ها و ویراستاران تصویر ناچیز بوده است. از‌بین‌رفتن اطلاعات رنگ‌ها و دست‌یابی به قسمت محدودی از اطلاعات اولیه تصاویر، این موضوع را به چالشی منحصربه‌فرد تبدیل میکند؛ چون هدف اصلی در رنگ‌آمیزی تصاویر خاکستری، پیدا‌کردن رنگ اصلی و واقعی تصویر نیست؛ بلکه تلاش بر این است تا نوعی رنگ‌آمیزی که از نظر انسان‌ها «واقعی» به نظر می‌رسد، برای تصویر ارائه شود. در این مقاله سامانه‌ای برای رنگ‌آمیزی تصاویر خاکستری اشخاص و انسان‌ها ارائه شده است. در این سامانه که نیاز به پیش‌پردازش تصاویر یا مؤلفه‌های پردازشی مستقل ندارد، از یک شبکه عصبی عمیق برای رنگ‌آمیزی تصاویر افراد و از شبکه‌ای دیگر برای بررسی بازخورد عملکرد رنگ‌آمیزی استفاده میشود. نتایج حاصل از پژوهش، عملکرد کیفی بهتری را در رنگ‌آمیزی تصاویر افراد در مقایسه با روش‌های مرسوم در این عرصه نشان میدهد که در مدت‌زمان آموزش، به‌مراتب کمتری به‌دست آمده است. کاربرد این سامانه نه‌تنها در رنگ‌آمیزی تصاویر افراد، بلکه در رنگ‌آمیزی پُرتره‌های غیر انسانی و آثار هنری نیز کاربرد دارد و به‌کمک آن میتوان رنگ‌آمیزی مناسبی برای اثرهایی که ممکن است، ساعت‌ها زمان ببرند، در کسری از ثانیه انجام داد.
متن کامل [PDF 5158 kb]   (94 دریافت)    
نوع مطالعه: كاربردي | موضوع مقاله: مقالات پردازش تصویر
دریافت: ۱۳۹۶/۱۱/۳۰ | پذیرش: ۱۳۹۷/۱۰/۱۹ | انتشار: ۱۳۹۸/۳/۲۰ | انتشار الکترونیک: ۱۳۹۸/۳/۲۰

فهرست منابع
1. [1] J. J. Lloyd, "The Complexity of Recolouring Photos," 2017. [Online]. Available: https-://www.fxguide.com/featured/the-complexity-of-re-colouring-photos/.
2. [2] "r/colorizationrequests." [Online]. Available: https://www.reddit.com/r/colorizationrequests.
3. [3] P. Whitt, Pro Photo Colorizing with GIMP. Apress, 2016. [DOI:10.1007/978-1-4842-1949-2]
4. [4] S. Koo, "Automatic Colorization with Deep Convolutional Generative Adversarial Networks," 2016. [Online]. Available: http://cs231n.stan-ford.edu/reports2016/224_Report.pdf.
5. [5] Aleju, "Aleju Torch Colorizer," 2016. [Online]. Available: https://github.com/aleju/colorizer.
6. [6] R. Zhang, P. Isola, and A. A. Efros, "Colorful Image Colorization," Eccv, pp. 1-25, 2016. [DOI:10.1007/978-3-319-46487-9_40]
7. [7] R. Dahl, "Automatic Colorization," 2016. [Online]. Available: http://tinyclouds.org/colo-rize/.
8. [8] I. J. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, and Y. Bengio, "Generative Adversarial Networks," Jun. 2014.
9. [9] A. Radford, L. Metz, and S. Chintala, "Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks," arXiv, pp. 1-15, 2015.
10. [10] S. Reed, Z. Akata, X. Yan, L. Logeswaran, B. Schiele, and H. Lee, "Generative Adversarial Text to Image Synthesis," Icml, pp. 1060-1069, 2016.
11. [11] M. Arjovsky, S. Chintala, and L. Bottou, "Wasserstein GAN," Jan. 2017.
12. [12] M. Mirza and S. Osindero, "Conditional Generative Adversarial Nets," CoRR, pp. 1-7, 2014.
13. [13] A. Levin, D. Lischinski, and Y. Weiss, "Colorization using optimization," ACM Trans. Graph., vol. 23, no. 3, p. 689, 2004. [DOI:10.1145/1015706.1015780]
14. [14] Y.-C. Huang, Y.-S. Tung, J.-C. Chen, S.-W. Wang, and J.-L. Wu, "An adaptive edge detection based colorization algorithm and its applications," Proc. 13th Annu. ACM Int. Conf. Multimed. - Multimed. '05, no. January, p. 351, 2005. [DOI:10.1145/1101149.1101223]
15. [15] L. Yatziv and G. Sapiro, "Fast image and video colorization using chrominance blending," IEEE Trans. Image Process., vol. 15, no. 5, pp. 1120-1129, 2006. [DOI:10.1109/TIP.2005.864231] [PMID]
16. [16] T. Welsh, M. Ashikhmin, and K. Mueller, "Transferring color to greyscale images," ACM Trans. Graph., vol. 21, no. 3, pp. 277-280, 2002. [DOI:10.1145/566654.566576]
17. [17] R. Gupta, A. Chia, and D. Rajan, "Image colorization using similar images," Proc. 20th …, pp. 369-378, 2012. [DOI:10.1145/2393347.2393402]
18. [18] Z. Cheng, Q. Yang, and B. Sheng, "Deep colorization," Proc. IEEE Int. Conf. Comput. Vis., vol. 11-18-Dece, pp. 415-423, 2016.
19. [19] A. Deshpande, J. Rock, and D. Forsyth, "Learning large-scale automatic image colorization," Proc. IEEE Int. Conf. Comput. Vis., vol. 11-18-Dece, pp. 567-575, 2016.
20. [20] G. Charpiat, M. Hofmann, and B. Schölkopf, "Automatic image colorization via multimodal predictions," Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 5304 LNCS, no. PART 3, pp. 126-139, 2008. [DOI:10.1007/978-3-540-88690-7_10]
21. [21] O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein, A. C. Berg, and L. Fei-Fei, "ImageNet Large Scale Visual Recognition Challenge," Int. J. Comput. Vis., vol. 115, no. 3, pp. 211-252, 2015. [DOI:10.1007/s11263-015-0816-y]
22. [22] K. Simonyan and A. Zisserman, "Very deep convolutional networks for large-scale image recognition," Iclr, vol. 96, no. 2, pp. 1-14, 2015.
23. [23] K. He, X. Zhang, S. Ren, and J. Sun, "Deep Residual Learning for Image Recognition," Arxiv.Org, vol. 7, no. 3, pp. 171-180, 2015.
24. [24] S. Iizuka, Edgar Simo-Serra, and H. Ishikawa, "Let there be Color!: Joint End-to-end Learning of Global and Local Image Priors for Automatic Image Colorization with Simultaneous Classification," Siggraph '16, vol. 35, no. 4, pp. 1-11, 2016. [DOI:10.1145/2897824.2925974]
25. [25] A. Krizhevsky, Ii. Sulskever, and G. E. Hinton, "ImageNet Classification with Deep Convolutional Neural Networks," in Nips, 2012, pp. 1-9.
26. [26] A. Odena, V. Dumoulin, and C. Olah, "Deconvolution and Checkerboard Artifacts," Drill, pp. 1-14, 2016. [DOI:10.23915/distill.00003]
27. [27] Z. Liu, P. Luo, X. Wang, and X. Tang, "Deep learning face attributes in the wild," Proc. IEEE Int. Conf. Comput. Vis., vol. 11-18-Dece, pp. 3730-3738, 2016.
28. [28] Y. Guo, L. Zhang, Y. Hu, X. He, and J. Gao, "MS-Celeb-1M : Challenge of Recognizing One Million Celebrities in the Real World," Eur. Conf. Comput. Vis., pp. 87-102, 2016. [DOI:10.2352/ISSN.2470-1173.2016.11.IMAWM-463]
29. [29] M. D. Zeiler, "ADADELTA: An Adaptive Learning Rate Method," arXiv, p. 6, 2012.
30. [30] D. Kingma and J. Ba, "Adam: A Method for Stochastic Optimization," Int. Conf. Learn. Represent., 2014.

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.