?成千上萬的老式照片和電影是在彩色圖像還沒有出現的年代拍攝的。如今，在深度學習的幫助下，我們可以為這些圖片著色，使它們更接近原來的樣子。

作為測試，我將使用兩張圖像。

本文將使用開源工具，這些工具可以從GitHub下載。

DeOldify

DeOldify是基于SA-GAN (Self-Attention - generate對抗網絡)。一般來說，GAN由兩個獨立的神經網絡組成——生成器和判別器。這兩個網絡都是由大量的圖像訓練而成，在訓練過程中，生成器學會了制作似是而非的圖像，而判別器學會將生成的圖像與真實的圖像區分開來。

為了在本地運行DeOldify，我們需要從GitHub中獲取項目，并將預訓練好的神經網絡權重下載到“models”文件夾中(鏈接來自項目頁面，未來作者可能會更改):

git clone https://github.com/jantic/DeOldify
cd DeOldify
mkdir models
cd models
wget https://data.deepai.org/deoldify/ColorizeArtistic_gen.pth
wget https://www.dropbox.com/s/usf7uifrctqw9rl/ColorizeStable_gen.pth?dl=1 -O ColorizeStable_gen.pth
cd ..

在這里，我將“device”設置為CPU - 如果您沒有好的顯卡，則很可能會收到“內存不足”錯誤（CPU上的處理時間約為3-5s，GPU上的處理時間約為0.5s，因此CPU計算也運行良好）。如果您希望運行獨立的Python代碼，則可以使用以下Python代碼：

from deoldify import device
from deoldify.device_id import DeviceId
from deoldify.visualize import *
torch.backends.cudnn.benchmark=True
device.set(device=DeviceId.CPU)
colorizer = get_image_colorizer(artistic=True)
img_out = colorizer.get_transformed_image(path="anna_bw.jpg", 
                                          render_factor=15,
                                          watermarked=True)
img_out.save("anna_color.jpg")

至于結果，相當不錯：

大家還可以嘗試更改模型(有兩種模型，具有更鮮艷顏色的“artistic”模型和“stable”模型可用)和影響輸出顏色的“render_factor”變量。要去除水印可以將參數watermarked設置為False。

彩色圖像著色（Colorful Image Colorization）

這個項目使用卷積神經網絡(CNN)來生成彩色圖像。在體系結構上，它比DeOldify簡單得多，但正因為如此，它可能更方便大家理解它的工作原理。

最后一次項目更新是在2020年，但代碼仍然可以工作，并且可以很容易地在本地運行。

有兩種模型可用，Python代碼如下:

import colorizers as c
import torch
import matplotlib.image as plt
img = c.load_img("image_bw.jpg")
tens_l_orig, tens_l_rs = c.preprocess_img(img, HW=(256, 256))
img_bw = c.postprocess_tens(tens_l_orig, 
                torch.cat((0*tens_l_orig, 0*tens_l_orig), dim=1))
colorizer_eccv16 = c.eccv16(pretrained=True).eval()
out_img_eccv16 = c.postprocess_tens(tens_l_orig,
                                colorizer_eccv16(tens_l_rs).cpu())
plt.imsave('image_eccv16.jpg', out_img_eccv16)
colorizer_siggraph17 = c.siggraph17(pretrained=True).eval()
out_img_siggraph17 = c.postprocess_tens(tens_l_orig,
                             colorizer_siggraph17(tens_l_rs).cpu())
plt.imsave('image_siggraph17.jpg', out_img_siggraph17)

結果如下：

ChromaGAN

顧名思義，ChromaGAN的作者也在使用生成對抗網絡給圖像上色。

這個項目可能只是作為研究的一個演示，操作并不是太友好。在使用項目之前，應下載“my_model_colorization.h5”文件（鏈接在GitHub頁面上提供）并放入“MODEL”文件夾中。源圖像和輸出圖像應該分別放在“chromagan_images”和“chromagan_results”文件夾中，然后可以參考作者jupyter notebook進行處理。要在本地PC上運行代碼，“from google.colab.patches import cv2_imshow”和“cv2_imshow(…)”行應該刪除。該項目正在使用Keras，如果出現“內存不足”的錯誤，建議在文件開頭添加os.environ["CUDA_VISIBLE_DEVICES"] = "-1"。

Google Colorization Transformer (ColTran)

這個項目可以從google-research GitHub頁面下載，更詳細的研究論文也可以下載。作者使用的是具有自注意力架構的軸向transformer，而不是GAN。在使用ColTran之前，我們需要下載預訓練模型，這些模型位于ColTran.zip歸檔文件中。該歸檔文件包含3個模型檢查點:colorizer、color_upsampler和spatial_upsampler。然后我們可以運行3個Python命令:

python3 custom_colorize.py --config=configs/colorizer.py --mode=colorize --accelerator_type=CPU --logdir=colorizer --img_dir=img_dir --store_dir=target_dir
python3 custom_colorize.py --config=configs/color_upsampler.py --mode=colorize --accelerator_type=CPU --logdir=color_upsampler --img_dir=img_dir --store_dir=target_dir --gen_data_dir=target_dir/stage1 --mode=colorize
python3 custom_colorize.py --config=configs/spatial_upsampler.py --mode=colorize --accelerator_type=CPU --logdir=spatial_upsampler --img_dir=img_dir --store_dir=target_dir --gen_data_dir=target_dir/stage2

這里的img_dir是一個文件夾，包含源圖像，store_dir是輸出文件夾，colorize是一種處理模式，而logdir是到預訓練模型的路徑。我們有3個處理步驟:我們有3個處理步驟:“colorizer”只使用512種輸出顏色和64x64的輸出圖像進行粗著色，“color upsampler”改善顏色，“spatial upsampler”將圖像提升到256x256的分辨率。

結果是顏色也很準確:

這個工具可能只是作為研究論文的演示而制作的，與以前的項目相比，沒有現成的方法來處理任意分辨率的圖像。輸出僅限于 256x256 大小。

BigColor

BigColor項目是由作者在2022年提出的。作者還在他們的論文中寫道:“我們將BigColor與最近的自動著色方法進行了比較，包括CIC、ChromaGAN、DeOldify、InstColor、ColTran和ToVivid。在六張具有挑戰性的圖像上，BigColor的優于所有方法。”

該項目本身可以從GitHub頁面下載（https://github.com/KIMGEONUNG/BigColor）。使用代碼很簡單。在進行轉換之前，應該執行兩個腳本download- pretraining.sh和download-bigcolor.sh。之后，可以使用一個命令完成轉換:

python3 colorize_real.py --path_ckpt=ckpts/bigcolor --path_input=images_gray --epoch=11 --type_resize=powerof --seed=-1 --device=cpu

此處的path_ckpt是指向預訓練模型的路徑，images_gray是包含源圖像的文件夾。結果如下：

最后

圖像著色是一個有趣的話題，正如我們所看到的，不同的方法和架構是可能的。從準確性的角度來看，事情也很復雜。通常，黑白照片不再有顏色信息，因此神經網絡只能根據之前訓練的圖像來猜測輸出結果。例如，這是我用來測試的原始圖像：

這是相同的圖像，轉換為黑白：

這是使用DeOldify制作的圖像：

樹是綠色的，天空是藍色的，這已經挺不錯了。但是，不僅DeOldify，而且其他經過測試的項目都無法正確確定百葉窗的顏色。在大多數情況下，這些結果已經足夠好了。