【计算机视觉】图像着色(Image Colorization)
（Sometimes technology enhances art. Sometimes it vandalizes art. --- 有时技术会增强艺术，有时它破坏了艺术。）
着色黑白电影是一个可以追溯到1902年的古老想法。几十年来，许多电影创作者反对将黑白电影着色的想法，并将其视为对艺术的破坏。 今天它被接受为艺术形式的增强。该技术本身已经从艰苦的手工着色转变为如今的自动化技术。 在美国，Legend Films使用其自动化技术为旧的经典影片着色。 在印度，电影Mughal-e-Azam，一个1960年发行的重磅炸弹在2004年被重新制作。几代人聚集在一起，看到它的彩色版本，从而使得这部电影第二次受到轰动！这一切都源于人工智能和深度学习技术的快速发展，众所周知，在计算机视觉领域，深度学习就像继承了某些上帝的功能，无所不能，令人叹为观止。本文将介绍如何利用深度学习将灰度图像转换为彩色图像！
简介
在图像着色任务中，我们的目标是在给定灰度输入图像的情况下生成彩色图像。这个问题是具有一定的挑战性，因为它是多模式的——单个灰度图像可能对应许多合理的彩色图像。因此，传统模型通常依赖于重要的用户输入以及输入的灰度图像内容。
最近，深层神经网络在自动图像着色方面取得了显着的成功——从灰度到彩色，无需额外的人工输入。这种成功的部分原因在于深层神经网络能够捕捉和使用语义信息（即图像的实际内容），尽管目前还不能够确定这些类型的模型表现如此出色的原因，因为深度学习类似于黑匣子，暂时无法弄清算法是如何自动学习，后续会朝着可解释性研究方向发展。
在解释模型之前，首先以更精确地方式阐述我们所面临的问题。
问题
我们的目的是要从灰度图像中推断出每个像素（亮度、饱和度和色调）具有3个值的全色图像，对于灰度图而言，每个像素仅具有1个值（仅亮度）。为简单起见，我们只能处理大小为256 x 256的图像，所以我们的输入图像大小为256 x 256 x 1（亮度通道），输出的图像大小为256 x 256 x 2（另两个通道）。
正如人们通常所做的那样，我们不是用RGB格式的图像进行处理，而是使用LAB色彩空间（亮度，A和B）。该色彩空间包含与RGB完全相同的信息，但它将使我们能够更容易地将亮度通道与其他两个（我们称之为A和B）分开。
参考：
Image Colorization with Convolutional Neural Networks（附Pytorch代码）
Convolutional Neural Network based Image Colorization using OpenCV
