Palette Aligned Image Diffusion
Hebrew University（希伯来大学）；Reichman University（雷赫曼大学）
本研究提出Palette-Adapter方法，通过将调色板转为稀疏直方图、引入控制参数与负直方图机制，结合均衡色彩数据集训练，实现文本到图像扩散模型的调色板条件控制，在遵循度和图像质量上均优于现有方法。
2025-09-02 cs.CV
Color Orchestra: Ordering Color Palettes for Interpolation and Prediction
University of Bath（巴斯大学）；City University of Hong Kong（香港城市大学）
色彩主题或调色板可以深刻地影响照片或图形设计的质量和感觉。虽然调色板可能来自不同的来源，如在线众包，照片和图形设计，在本文中，我们认为调色板提取的美术收藏，我们认为这是一个丰富的来源风格和独特的色彩主题。我们的目标是捕捉嵌入在这些集合中的颜色风格的统计模型，并建立在这些模型的实际应用。由于艺术家经常在他们的绘画中使用他们个人的颜色主题，使得这些调色板经常出现在数据集中，我们采用密度估计来捕获调色板数据的特征。通过密度估计，我们对调色板进行了各种预测和插值，这导致了有前途的应用，如照片风格探索，实时颜色建议和丰富的照片分类。然而，将密度估计应用于调色板数据是具有挑战性的，因为调色板通常是无序的颜色集合，这使得难以对它们使用常规度量。为此，我们开发了一种分治排序算法，以连贯的顺序重新排列调色板中的颜色，这允许在调色板之间进行有意义的插值。为了验证模型的性能，我们还对从互联网上收集的数字化绘画数据集进行了定量实验，并获得了良好的结果。
2017-03-17 cs.CV cs.GR
PaletteNeRF: Palette-based Color Editing for NeRFs
Tsinghua University（清华大学）；Kuaishou Technology（快手科技）
神经辐射场（NeRF）是一个强大的工具，可以忠实地为只有稀疏捕获图像的场景生成新视图。尽管它具有很强的表现3D场景及其外观的能力，但它的编辑能力非常有限。在本文中，我们提出了一个简单但有效的扩展香草NeRF，命名为PaletteNeRF，使高效的色彩编辑NeRF表示的场景。受最近基于调色板的图像分解工作的启发，我们将每个像素的颜色近似为由附加权重调制的调色板颜色的总和。我们的方法不是像香草NeRF那样预测像素颜色，而是预测加性权重。底层NeRF主干也可以被更新的NeRF模型（如KiloNeRF）取代，以实现实时编辑。实验结果表明，我们的方法实现了高效的，视图一致的，和无伪影的颜色编辑在广泛的NeRF代表的场景。
2022-12-25 cs.CV cs.GR
Design of false color palettes for grayscale reproduction
Warsaw University of Technology（华沙理工大学）
假彩色调色板的设计是相当容易的，但必须做一些努力，以实现良好的动态范围，对比度和调色板的整体外观。例如，这种调色板通常用于科学论文中呈现数据。然而，为了降低纸张的成本，大多数科学家决定让数据以灰度打印。这同样适用于基于电子墨水的电子书阅读器，其中大多数仍然是灰度的。对于大多数假彩色调色板，以灰度级再现它们会导致颜色的模糊映射，并且可能会误导读者。本文介绍了适用于灰度复制的假彩色调色板的设计。由于这些调色板的亮度的单调变化，灰度表示与直接用灰度调色板呈现的数据非常相似。并提供了一些设计此类调色板的建议和实例。
2016-03-31 cs.CV cs.GR
Multimodal Color Recommendation in Vector Graphic Documents
CyberAgent Inc.（赛博艾坚特公司）
本文提出一种融合颜色与文本上下文的多模态掩码颜色模型，通过自注意力和交叉注意力网络实现矢量图形文档中的文本感知颜色推荐，在调色板补全和完整调色板生成任务上均优于现有方法。
2023-08-08 cs.CV cs.MM
Exploring Palette based Color Guidance in Diffusion Models
CyberAgent Inc.（CyberAgent公司）
本文提出将调色板作为独立引导机制集成至扩散模型，以解决现有文本到图像模型对整体配色方案控制不足的问题，显著提升了图像着色过程的可控性与精细度。
2025-08-12 cs.CV cs.GR cs.MM
Dequantization and Color Transfer with Diffusion Models
UIUC（伊利诺伊大学厄巴纳-香槟分校）
本文提出一种基于扩散模型的图像去量化与颜色迁移方法，通过量化图像和调色板控制生成结果，并利用加权二分图匹配实现极端调色板迁移，同时保持纹理与颜色控制。
2025-01-22 cs.CV
PaletteNeRF: Palette-based Appearance Editing of Neural Radiance Fields
Stanford University（斯坦福大学）；Adobe Research（奥多比研究院）
神经辐射场的最新进展使得复杂场景的高保真三维重建成为可能，从而实现新颖的视图合成。然而，如何在保持照片真实感的同时有效地编辑这种表示的外观仍然有待探索。在这项工作中，我们提出了PaletteNeRF，一种新的方法，用于逼真的外观编辑的神经辐射场（NeRF）的基础上的3D颜色分解。我们的方法将每个3D点的外观分解为基于调色板的基底的线性组合（即，由一组NeRF类型函数定义的3D分割）。虽然我们的基于调色板的基础是独立于视图的，但我们还预测了一个依赖于视图的函数来捕获颜色残差（例如，镜面阴影）。在训练过程中，我们联合优化了基函数和调色板，并且我们还引入了新的正则化器来鼓励分解的空间一致性。我们的方法允许用户通过修改调色板来有效地编辑3D场景的外观。我们还扩展了我们的框架，压缩语义功能的语义感知外观编辑。我们证明，我们的技术是优于基线方法的定量和定性的外观编辑复杂的现实世界的场景。
2023-01-24 cs.CV cs.GR
NaiLIA: Multimodal Nail Design Retrieval Based on Dense Intent Descriptions and Palette Queries
Keio University（庆应大学）
NaiLIA通过密集意图描述和调色板查询实现美甲设计图像的多模态检索，提升检索精度。
2026-03-05 cs.CV
Culture-inspired Multi-modal Color Palette Generation and Colorization: A Chinese Youth Subculture Case
Tongji University（同济大学）；Tezign.com Ltd.（Tezign.com有限公司）；University of Delaware（德雷塞尔大学）
本文通过构建基于中国青年亚文化的配色数据集，提出多模态生成框架，实现具有亚文化特色的配色方案，通过用户研究验证其有效性。
2021-02-10 cs.AI cs.CV
An Information-Theoretical Approach to the Information Capacity and Cost-Effectiveness Evaluation of Color Palettes
Istanbul Technical University（伊斯坦布尔理工大学）
颜色是表达和传递信息的有效工具。调色板中的颜色数量是信息传递能力的直接仲裁者。然而，它应该得到很好的阐述，因为通过添加颜色来增加熵会带来解码成本。尽管在不同的应用可能产生的影响，一个方法的成本效益评价的调色板似乎不足。在这项工作中，这一需求正在解决从信息理论的角度来看，通过明确的指标和公式。此外，建议的度量计算一些发达国家和已知的调色板，并观察到的结果进行评估。
2019-06-03 cs.CV cs.HC cs.IT
ColorGPT: Leveraging Large Language Models for Multimodal Color Recommendation
The University of Tokyo（东京大学）；CyberAgent AI Lab（CyberAgent AI实验室）
本研究提出基于预训练LLM的ColorGPT流程，通过测试颜色表示和提示工程实现颜色推荐，在调色板补全和生成任务上优于现有方法。
2025-08-12 cs.CV cs.HC
Color Sails: Discrete-Continuous Palettes for Deep Color Exploration
University of Toronto（多伦多大学）
我们提出了彩色帆，一个离散连续色域表示，扩展到三维的颜色梯度类比，并允许交互式控制的颜色混合行为。我们的表示模型以紧凑的方式广泛的颜色分布，并适合于应用程序，如图形设计，插图和类似领域的颜色探索。我们提出了一个神经网络，可以适应任何图像的颜色帆。然后，用户可以调整颜色帆参数以更改基本颜色、其混合行为和颜色数量，从而探索原始设计的广泛选项。此外，我们还提出了一个深度学习模型，该模型可以学习自动将图像分割为颜色兼容的alpha蒙版，每个蒙版都配有自己的颜色帆。这允许通过编辑其相应的颜色帆或使用标准软件包进行有针对性的颜色探索。我们的模型是在一个定制的艺术和设计的多样化数据集上训练的。我们提供定量评估和用户研究，证明了彩色帆互动的有效性。互动演示可在www.colorsails.com上获得。
2018-06-07 cs.AI cs.CV cs.GR
Test-time Conditional Text-to-Image Synthesis Using Diffusion Models
Adobe Research（Adobe研究院）
提出无需训练的测试时算法TINTIN，将去噪噪声预测解释为能量模型梯度以匹配条件输入，实现用颜色调色板和边缘图等控制文本到图像扩散模型输出，显著超越现有技术。
2024-11-16 cs.CV
RecolorNeRF: Layer Decomposed Radiance Fields for Efficient Color Editing of 3D Scenes
The Chinese University of Hong Kong（香港中文大学）；The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））
RecolorNeRF通过将三维场景分解为纯色层并联合优化层与NeRF，实现高效、视图一致的调色板式颜色编辑，在复杂场景中优于基线方法。
2023-09-18 cs.CV cs.GR
Voxify3D: Pixel Art Meets Volumetric Rendering
National Yang Ming Chiao Tung University（阳明交通大学）
本文提出Voxify3D框架，通过结合3D网格优化与2D像素艺术监督，解决体素艺术中语义保留、像素美学和离散优化的挑战，实验显示其在多样角色和可控抽象上的优越性能。
2026-04-26 cs.CV
Structured Adversarial Camouflage via Voronoi Diagrams
Fraunhofer IOSB and Fraunhofer Center for Machine Learning（弗劳恩霍夫光学、系统技术及图像处理研究所和弗劳恩霍夫机器学习中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
提出通过软分配优化种子点位置生成结构化伪装图案，在固定调色板下有效降低行人检测AP，且攻击可跨域转移。
2026-06-17 cs.AI cs.CV
Towards a Universal Understanding of Color Harmony: Fuzzy Approach
Kazakh-British Technical University（哈萨克斯坦-英国技术大学）；Kyushu Institute of Technology（九州工业大学）；Mie University（三重大学）
该研究采用基于模糊的色彩模型，利用多领域图像数据集探究色彩和谐的普适性，发现和谐具有跨领域通用性且受色相、饱和度和明度共同影响，为美学相关领域提供参考。
2023-10-01 cs.AI cs.CV
God(s) Know(s): Developmental and Cross-Cultural Patterns in Children Drawings
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；University of Lausanne (UNIL)（洛桑大学）
本文介绍了一种新的方法，旨在为宗教心理学专家的需求进行数据分析。我们在儿童对上帝和其他超自然代理人的绘画中发现了发展和跨文化模式。我们开发的方法来客观地评估我们的经验观察的图纸方面：（1）重心，（2）平均强度的颜色\emph{green}和\emph{yellow}，（3）使用不同的颜色（调色板）和（4）视觉复杂的图纸。我们发现，不同年龄和国家的人在重心和颜色的平均强度上存在统计学上的显著差异。这些发现支持了专家们的假设，并提出了进一步调查的新问题。
2016-02-08 cs.CV
