Resolution-independent meshes of super pixels
University of Liverpool（利物浦大学）
过分割成超像素是一个重要的预处理步骤，可以巧妙地压缩输入大小并加速更高级别的任务。传统上，超像素被认为是一小簇基于正方形的像素，这些像素具有相似的颜色强度并且彼此靠近。在这种离散模型中，超像素的边界通常具有不规则的锯齿形，由给定像素网格的水平或垂直边缘组成。然而，数字图像表示一个连续的世界，因此以下的连续模型在分辨率无关的公式可以更适合于重建问题。与网格中的正方形不同，分辨率无关的超像素被定义为具有直边的多边形，该直边在子像素分辨率下具有任何可能的斜率。过分割问题的更难的连续版本是将图像分割成多边形，并找到每个多边形的最佳（例如，恒定）颜色，以便产生的彩色网格很好地近似给定的图像。这样的多边形网格可以以任何更高的分辨率渲染，所有边缘都保持笔直。我们提出了一个快速转换的任何传统的超像素到多边形，并保证其直边不相交。将基于超像素SEEDS（Superpixels Extracted via Energy-Driven Sampling）和SLIC（Simple Linear Iterative Clustering）的网格与过去基于线段检测器的网格进行了比较。在伯克利分割数据库上的实验证实，新的超像素比基于像素的超像素具有更紧凑的形状。
2019-11-01 cs.CV
Salient Object Detection by LTP Texture Characterization on Opposing Color Pairs under SLICO Superpixel Constraint
Université de Montréal（蒙特利尔大学）
人类对显著对象的毫不费力的检测已经成为若干领域中的研究主题，包括计算机视觉，因为它具有许多应用。然而，显著目标检测对于处理彩色和纹理图像的许多计算机模型来说仍然是一个挑战。在这里，我们提出了一种新的和有效的策略，通过一个简单的模型，几乎没有内部参数，它产生一个强大的显着图的自然图像。该策略包括将颜色信息集成到局部纹理图案中以表征颜色微观纹理。文献中使用颜色和纹理特征的大多数模型将它们分开处理。在我们的例子中，它是简单而强大的LTP（局部三值模式）纹理描述符，应用于颜色空间的相对颜色对，使我们能够实现这一目标。每个彩色微纹理由矢量表示，其分量来自SLICO（零参数简单线性迭代聚类）算法获得的超像素，该算法简单，快速，具有最先进的边界粘附性。通过FastMap方法计算每对彩色微纹理之间的相异性程度，FastMap方法是MDS（多维缩放）的快速版本，其考虑彩色微纹理的非线性，同时保持它们的距离。这些相异度为我们提供了每个RGB、HSL、LUV和CMY颜色空间的中间显着图。最后的显着图是它们的组合，以利用它们中的每一个的优势。在复杂的ECSSD数据集上，我们的显着性图的MAE（平均绝对误差）和F $_β$度量表明，我们的模型既简单又有效，优于几个最先进的模型。
2022-01-03 cs.CV
A learning-based approach for automatic image and video colorization
Nanyang Technological University（南洋理工大学）；Institute for Infocomm Research（信息通信研究院）
在本文中，我们提出了一种颜色转移算法，彩色化的灰度图像范围广，没有任何用户干预。该算法使用基于机器学习的方法来自动着色灰度图像。该算法使用参考彩色图像的超像素表示来学习不同图像特征与其对应的颜色值之间的关系。我们使用这些学习到的信息来预测每个灰度图像超像素的颜色值。与处理单个图像像素相比，我们使用超像素可以帮助我们实现更高程度的空间一致性，并加快着色过程。灰度图像超像素的预测颜色值用于在超像素的质心处提供“微涂鸦”。这些颜色涂鸦是通过使用基于投票的方法来改进的。为了生成最终的着色结果，我们使用基于优化的方法将颜色涂鸦平滑地散布在超像素内的所有像素上。在大量图像上的实验结果以及与现有的最先进的彩色化方法的比较表明了该算法的有效性。
2017-04-15 cs.CV cs.GR
Texture-Aware Superpixel Segmentation
Bordeaux INP, Univ. Bordeaux, CNRS, IMS, UMR 5218, F-33400 Talence, France（波尔多INP、波尔多大学、国家科学研究中心、IMS、UMR 5218、法国塔伦斯）；Bordeaux INP, Univ. Bordeaux, CNRS, LaBRI, UMR 5800, F-33400 Talence, France（波尔多INP、波尔多大学、国家科学研究中心、LaBRI、UMR 5800、法国塔伦斯）；CNRS, Univ. Bordeaux, IMB, UMR 5251, F-33400 Talence, France（国家科学研究中心、波尔多大学、IMB、UMR 5251、法国塔伦斯）
针对现有超像素算法难以平衡空间与颜色特征且无法有效分组相似纹理像素的问题，提出TASP方法，通过自动调整空间约束并提出新的基于块的距离，显著提升了分割精度。
2025-09-17 cs.CV
Generating superpixels using deep image representations
Center for Processing Speech and Images（语音和图像处理中心）；KU Leuven（比利时鲁汶大学）；Dept. ESAT（ESAT系（ESAT系））；ESAT（ESAT（比利时鲁汶大学的一个系/实验室））；KU Leuven, Belgium（比利时鲁汶大学）
超像素算法是计算机视觉算法（例如分割、对象跟踪和定位）的常见预处理步骤。许多超像素方法仅依赖于用于分割的颜色特征，限制了低对比度区域中的性能以及对对象边界具有广泛外观变化的红外或医学图像的适用性。我们研究了SLIC超像素算法中包含的深度图像特征，以利用更高级别的图像表示。此外，我们设计了一个可训练的超像素算法，产生一个中间域特定的图像表示，可以应用于不同的任务。将基于聚类的超像素算法转化为逐像素分类任务，并从语义分割数据集导出超像素训练数据。我们的结果表明，这种方法能够始终如一地提高超像素质量。
2019-03-11 cs.CV
Automatic skin lesion segmentation on dermoscopic images by the means of superpixel merging
Universidad Nacional de Colombia（哥伦比亚国立大学）
我们提出了一种基于超像素的皮肤镜图像皮肤病变分割策略。分割是通过使用SLIC算法对原始图像进行过分割来进行的，然后将得到的超像素合并成两个区域：健康皮肤和病变。每个超像素的平均RGB颜色被用作合并准则。所提出的方法是能够处理皮肤镜图像中常见的分割问题，如脱毛，油泡，光照变化，反射图像，而无需任何额外的步骤。在PH2和ISIC 2017数据集上对该方法进行了评价，结果与最新技术水平相当。
2018-08-21 cs.CV
Application of Superpixels to Segment Several Landmarks in Running Rodents
Temple University（天普大学）
检查运动改善了我们对运动控制的基本理解，并有助于治疗运动障碍。小鼠和大鼠是人类疾病基础神经科学研究的首选模型系统。由于啮齿动物的高步频，需要高帧速率来量化奔跑的啮齿动物的运动学。手动跟踪，特别是多个身体标志，变得非常耗时。为了克服这些限制，我们提出了使用基于超像素的图像分割，因为超像素利用空间和颜色信息进行分割。我们分割了身体的一些部位，并测试了分割的成功率作为颜色空间和SLIC段大小的函数。我们使用一个简单的合并函数来连接被认为是邻居的分割区域，并具有相同的强度值范围。此外，提取了28个特征，并使用t-SNE来证明这些方法能够区分区域的程度。最后，我们将分割的区域与手动勾画的区域进行了比较。结果表明，对于分割，使用RGB图像比色调通道稍好。然而，对于合并和分类，色调表示更好，因为它在单个通道中捕获相关的颜色信息。
2018-04-07 cs.CV
Iterative Saliency Enhancement using Superpixel Similarity
University of Campinas（坎皮纳斯大学）
显著性目标检测（SOD）在图像分析中具有若干应用。这些方法已经从图像固有模型发展到对象启发（基于深度学习）模型。然而，当一个模型失败时，没有其他方法可以增强其显着性图。我们通过引入一种名为\textit{Iterative Saliency Enhancement over Superpixel Similarity}（ISESS）的混合方法来填补这一空白，该方法通过交替执行两个操作来迭代生成增强的显着性图：基于对象的超像素分割和基于超像素的显着性估计-从未利用过的循环操作。ISESS从给定的显着图中估计用于超像素描绘的种子，并在前景和背景中定义超像素查询。一个新的显着图的结果，从颜色之间的相似性查询和超像素在每次迭代。重复该过程，并且在给定次数的迭代之后，通过元胞自动机将生成的显著性图组合成一个。最后，将所得到的地图与初始地图通过它们每个超像素的平均值之间的最大值合并。我们证明，我们的混合模型在五个图像数据集上的表现始终优于三种最先进的基于深度学习的方法。
2022-03-04 cs.CV
Superpixel Integrated Grids for Fast Image Segmentation
本文提出超像素集成网格SIGRID数据结构，通过编码超像素颜色与形状信息降低输入维度，在四个基准数据集上以两种卷积架构验证，在压缩数据的同时匹配甚至超越像素级分割性能并加速训练。
2025-10-07 cs.CV
Texture Superpixel Clustering from Patch-based Nearest Neighbor Matching
Image group Bordeaux INP, Univ. Bordeaux, CNRS, IMS, UMR 5218（图像组波尔多INP、波尔多大学、国家科学研究中心、IMS、UMR 5218）
本文提出NNSC方法，利用基于块的最近邻匹配替代逐像素K均值聚类，在有限时间内生成纹理感知超像素，并在标准数据集上验证了其分割性能与计算效率。
2025-09-24 cs.CV
Spatio-Temporal Road Scene Reconstruction using Superpixel Markov Random Field
Beijing Institute of Technology（北京理工大学）
基于图像绘制的场景模型构建是计算机视觉和智能交通系统中不可缺少但又具有挑战性的技术。在本文中，我们提出了一个框架，用于构建基于道路的三维场景模型。这包括两个连续的阶段：道路检测和场景构建。采用一种新的超像素马尔可夫随机场（MRF）算法实现道路检测。根据超像素的颜色、纹理和位置特征，联合计算MRF能量函数中的数据保真度项。平滑项是建立在时空相邻超像素的相互作用的基础上。在随后的场景构建中，前景和背景区域被独立地建模。道路检测实验表明，该方法在准确性和速度上都优于现有方法。场景构建实验表明，所提出的场景模型具有更好的正确率，并有可能支持一系列的应用。
2019-05-20 cs.CV
A comprehensive review and new taxonomy on superpixel segmentation
Pontifical Catholic University of Minas Gerais（米纳斯吉拉斯州天主教大学）；University of Campinas（坎皮纳斯大学）
本文提出超像素分割的新分类法，系统综述现有方法并基于九项标准评估20种策略，同时发布新的评估基准。
2024-09-27 cs.CV
Stereo Superpixel Segmentation Via Decoupled Dynamic Spatial-Embedding Fusion Network
Hainan University（海南大学）；Wuhan University of Technology（武汉理工大学）；Beijing Jiaotong University（北京交通大学）；Shenzhen University（深圳大学）；City University of Hong Kong（香港城市大学）；City University of Hong Kong Shenzhen Research Institute（香港城市大学深圳研究院）
立体超像素分割的目的是通过左视图和右视图更协作和有效地将离散化像素分组为感知区域。现有的超像素分割算法大多利用颜色和空间特征作为输入，这可能会对空间信息施加很强的约束，同时利用立体图像对的视差信息。为了缓解这个问题，我们提出了一种立体超像素分割方法与空间信息的解耦机制在这项工作中。为了解耦立体视差信息和空间信息，在融合立体图像对的特征之前，先暂时去除空间信息，并提出一个解耦立体融合模块（DSFM）来处理立体特征对齐和遮挡问题。此外，由于空间信息对超像素分割至关重要，我们进一步设计了动态空间性嵌入模块（DSEM）来重新添加空间信息，并通过DSEM中的动态融合（DF）机制自适应地调整空间信息的权重，以实现更精细的分割。综合实验结果表明，该方法在KITTI2015和Cityscapes数据集上均达到了最佳性能，在NJU2K数据集上的显著目标检测中也验证了该方法的有效性.源代码将在论文被接受后公开。
2022-08-17 cs.CV
Detecting floodwater on roadways from image data with handcrafted features and deep transfer learning
Transportation Research Institute, Old Dominion University（老多明尼大学交通研究所）
检测由于洪水淹没的路段对于车辆路径和交通管理决策具有重要的应用。本文提出了一套算法来自动检测洪水，可能存在于手机或其他类型的光学相机捕获的图像。为此，图像分类和洪水区域分割方法的发展。对于分类任务，我们使用局部二进制模式（LBP），方向直方图（HOG）和预训练的深度神经网络（VGG-16）作为特征提取器，并在提取的特征上训练逻辑回归，k-最近邻和决策树分类器。使用逻辑回归分类器的预训练VGG-16网络优于所有其他方法。对于洪水区域分割任务，我们研究了基于超像素的方法和全卷积神经网络（FCN）。与分类任务类似，我们在超像素区域上训练了逻辑回归和k近邻分类器，并将其与端到端训练的FCN进行比较。在两种分割方法之后，采用条件随机场（CRF）方法对粗分割结果进行后处理。FCN在所有指标中得分最高;其次是基于超像素的逻辑回归，然后是基于超像素的KNN。
2019-08-31 cs.CV
A regularization-based approach for unsupervised image segmentation
University of Ljubljana（卢布尔雅那大学）
我们提出了一种新的无监督图像分割算法，其目的是分割成几个连贯的部分的图像。它不需要用户输入，没有监督学习阶段，并假设一个未知数量的段。它首先将图像过度分割成数百个超像素。这些迭代地加入的基础上，从每个超像素获得的颜色和纹理信息训练的判别分类器。分类器的输出通过马尔可夫随机场进行正则化，该随机场对更相似的相邻超像素产生更大的影响。在每次迭代中，类似的超像素都落在同一个标签下，直到图像中只剩下几个相干区域。该算法在标准评估数据集上进行了测试，其在精度方面与最先进的算法不相上下，并且通过减少感兴趣对象的过度分割而大大优于最先进的算法。
2016-03-08 cs.CV
Power-SLIC: Fast Superpixel Segmentations by Diagrams
Zentrum Mathematik, Technische Universität München（慕尼黑工业大学数学中心）；University of Liverpool（利物浦大学）
超像素算法将具有相似颜色和其他低级别属性的像素分组，越来越多地用于图像分割的预处理。近年来，一个焦点已经放在发展几何超像素的方法，促进几何图像特征的提取和分析。基于图的超像素方法在几何方法中是重要的，因为它们生成紧凑且稀疏可表示的超像素。将广义平衡功率图引入到超像素领域，提出了一种称为Power-SLIC的图方法。Power-SLIC是第一个生成分段二次边界的几何超像素方法。它的速度，竞争力的快速国家的最先进的方法，是前所未有的图表方法。大量的计算实验表明，Power-SLIC算法在边界召回率、分割误差、可达到的分割精度和压缩质量等方面均优于现有的图方法。此外，Power-SLIC对高斯噪声具有鲁棒性。
2021-10-16 cs.CG cs.CV cs.LG
Superpixel-Based Image Segmentation Using Squared 2-Wasserstein Distances
本文提出一种基于平方2-Wasserstein距离的图像分割方法，通过超像素聚类和分布最优传输实现高精度分割。
2026-10-26 cs.CV math.PR
Generating Superpixels for High-resolution Images with Decoupled Patch Calibration
University of Technology Sydney（悉尼科技大学）；Beijing Jiaotong University（北京交通大学）；Zhibian Technology Co. Ltd.（之变科技有限公司）；Zhejiang University（浙江大学）
得益于可微深度学习的进步，超像素分割最近取得了重要进展。然而，由于昂贵的存储器和计算成本，非常高分辨率的超像素分割仍然具有挑战性，使得当前先进的超像素网络无法处理。在本文中，我们设计了补丁校准网络（PCNet），旨在高效，准确地实现高分辨率的超像素分割。PCNet遵循从低分辨率输入产生高分辨率输出的原则，以节省GPU内存并减轻计算成本。为了回忆被下采样操作破坏的细节，我们提出了一种新的解耦补丁校准（DPC）分支，用于协作地增强主要的超像素生成分支。特别是，DPC从高分辨率图像中获取局部补丁，并动态生成二进制掩码，以强制网络专注于区域边界。通过共享DPC和主要分支的参数，将从高分辨率补丁中学习到的精细详细的知识转移到帮助校准被破坏的信息。据我们所知，我们首次尝试考虑基于深度学习的超像素生成高分辨率情况。为了促进这项研究，我们从两个公共数据集和一个新构建的数据集构建了评估基准，涵盖了从细粒度人体部位到城市景观的广泛多样性。大量的实验表明，我们的PCNet不仅可以表现出良好的对国家的最先进的定量结果，但也提高了分辨率上限从3K到5K的1080 Ti GPU。
2021-08-23 cs.CV
SuperSVG: Superpixel-based Scalable Vector Graphics Synthesis
Shanghai Jiao Tong University（上海交通大学）；Tencent（腾讯）；Cardiff University（卡迪夫大学）
本文提出SuperSVG，一种基于超像素分解和两阶段自训练框架的快速高精度图像矢量化方法，并通过动态路径规整损失实现知识迁移，在重建精度和推理时间上优于现有方法。
2024-06-14 cs.CV
Is an Image Also Worth 16x16=256 Superpixels? A Framework for Attentional Image Classification
UFRGS（联邦大学里约格兰德杜斯鲁斯）；Institute of Informatics（信息学院）；Federal University of Rio Grande do Sul（里约格兰德杜斯鲁斯联邦大学）；Division of Informatics（信息系）；School of Health Sciences（健康科学学院）；Imaging and Data Science（成像与数据科学）；Faculty of Biology, Medicine and Health（生物医学与健康学院）；University of Manchester（曼彻斯特大学）；Vaughan House, Portsmouth St（波特兰街瓦尔赫恩大楼）
提出超像素变换器（SPT）框架，统一超像素图像分类与视觉变换器，通过多维正弦余弦位置编码和增强的补丁数据结构，在多个数据集上优于超像素图神经网络方法，与视觉变换器竞争。
2026-05-26 cs.CV cs.LG
Superpixel Attack: Enhancing Black-box Adversarial Attack with Image-driven Division Areas
Graduate School of Mathematics, Kyushu University（九州大学数学研究生院）；Institute of Mathematics for Industry, Kyushu University（九州大学工业数学研究所）
本文提出超像素攻击，通过使用超像素和通用搜索方法提升黑盒对抗攻击的成功率，平均提高2.10%。
2025-11-29 cs.AI cs.CR cs.CV
Delving Deep into Semantic Relation Distillation
University of Chinese Academy of Sciences（中国科学院大学）；Peng Cheng Laboratory（鹏城实验室）；Harbin Institute of Technology（哈尔滨工业大学）
本文提出SeRKD方法，利用超像素语义关系改进知识蒸馏，在视觉变换器上提升模型性能与泛化能力。
2025-03-27 cs.CV
Learning Superpixel Ensemble and Hierarchy Graphs for Melanoma Detection
Department of Biomedical Engineering and Systems, Faculty of Engineering, Cairo University（开罗大学工程学院生物医学工程与系统系）；School of Information Technology, New Giza University（新吉萨大学信息技术学院）；Department of Mathematics, Faculty of Science, Cairo University（开罗大学理学院数学系）
本文提出基于超像素集合图和层次图的图学习方法，利用纹理、几何和颜色特征提升黑色素瘤检测性能，实验表明学习的超像素集合图在ISIC2017数据集上达到99.00%的准确率和99.59%的AUC。
2026-04-04 cs.AI cs.CV cs.LG
Domain Generalization for Endoscopic Image Segmentation by Disentangling Style-Content Information and SuperPixel Consistency
School of Engineering and Sciences Tecnologico de Monterrey（蒙特雷理工学院工程与科学学院）；School of Computing University of Leeds（利兹大学计算机学院）
针对内镜图像分割的域泛化问题，提出结合超像素一致性（SUPRA）与实例归一化及实例选择性白化（ISW）进行风格-内容解耦的方法，在息肉和Barrett食管数据集上显著优于基线和现有SOTA方法。
2024-09-19 cs.AI cs.CV
BoWFire: Detection of Fire in Still Images by Integrating Pixel Color and Texture Analysis
University of Sao Paulo（圣保罗大学）
涉及火灾的紧急事件具有潜在危害，需要快速准确的决策。在危机管理系统中使用众包图像和视频可以通过提供比口头/文本描述更多的信息来帮助解决这些问题。由于数据量通常很大，自动解决方案需要在不丢失相关信息的情况下丢弃不相关的内容。有几种使用基于颜色的模型在视频上进行火灾检测的方法。然而，它们不足以用于静止图像处理，因为它们可能遭受高的假阳性结果。这些方法还受到具有很少物理意义的参数的影响，这使得微调成为一项困难的任务。在这种情况下，我们提出了一种新的火灾检测方法，使用基于颜色特征的分类结合超像素区域的纹理分类的静止图像。我们的方法使用的参数数量减少，如果与以前的作品相比，简化了微调方法的过程。结果表明，我们的方法减少假阳性的有效性，而其精度保持与国家的最先进的方法兼容。
2015-06-10 cs.CV
SUPRA: Superpixel Guided Loss for Improved Multi-modal Segmentation in Endoscopy
Tecnologico de Monterrey（蒙特雷理工学院）；University of Leeds（利兹大学）
本文提出了一种名为SUPRA的超像素增强方法及新型复合损失SLICLoss，通过结合简单线性迭代聚类生成的超像素与二元交叉熵损失，提升了深度学习模型在内窥镜多模态图像分割中的领域泛化能力，在EndoUDA数据集上相比基线提升近20%。
2023-04-09 cs.CV cs.LG q-bio.QM
Recoding Color Transfer as a Color Homography
University of East Anglia（东安格利亚大学）；University of Edinburgh（爱丁堡大学）
颜色转移是一种图像编辑过程，它调整图片的颜色以匹配目标图片的颜色主题。自然的颜色转移不仅匹配颜色样式，而且还防止由于图像压缩、噪声和梯度平滑度变化而导致的转移后伪影。最近发现的颜色单应性定理证明，在光度观察条件的变化的颜色是由单应性。在本文中，我们提出了一种基于颜色单应性的颜色转移分解，它将颜色转移编码为色度偏移和阴影调整的组合。阴影调整的一个强大的形式被证明是一个全球性的阴影曲线，相同的阴影单应性可以应用于其他地方。我们的实验表明，建议的颜色转移分解提供了一个非常接近许多流行的颜色转移方法。我们的方法的优点是，学习的颜色转移可以应用于许多其他图像（例如，视频中的其他帧），而不是帧到帧的基础。我们展示了两个应用程序的颜色传输增强和视频颜色分级重新应用。这种简单的颜色传递模型对未来的颜色传递算法设计也很重要。
2016-08-04 cs.CV
Foreground Clustering for Joint Segmentation and Localization in Videos and Images
本文提出了一种新的框架，在该框架中，视频/图像分割和定位被转换成一个单一的优化问题，该问题将低级别的外观线索的信息与高级别的定位线索在一个非常弱的监督方式。该框架利用两种不同层次的表示，利用边界框和超像素之间的空间关系作为线性约束，同时在限界框和超像素层次上区分前景和背景。不同于以往的方法，主要依赖于判别聚类，我们采用了前景模型，最大限度地减少了所有图像帧的对象的直方图差异。利用超像素和边界框之间的几何关系使得分割线索的传递能够改善定位输出，反之亦然。包括前景模型将我们的判别框架推广到背景往往相似的视频数据，因此没有判别力。我们证明了我们的统一框架的YouTube对象视频数据集，互联网对象发现数据集和Pascal VOC 2007的有效性。
2018-11-26 cs.CV cs.GR cs.LG
Progressive Color Transfer with Dense Semantic Correspondences
Hong Kong UST（香港科技大学）；City University of Hong Kong（香港城市大学）；Microsoft Research（微软研究院）；University of Science and Technology of China（中国科学技术大学）；Microsoft AI Perception and Mixed Reality（微软人工智能感知与混合现实部门）
我们提出了一种新的算法，具有感知相似的语义结构的图像之间的颜色转移。我们的目标是实现一个更准确的颜色转移，利用图像之间的语义有意义的密集对应。为了实现这一点，我们的算法使用神经表示进行匹配。此外，颜色转移应该是空间变化的和全局相干的。因此，我们的算法优化了一个局部线性模型的颜色转移，同时满足局部和全局约束。我们提出的方法联合优化匹配和颜色转移，采用了一种由粗到细的策略。所提出的方法可以成功地从一对一扩展到一对多的颜色传递。后者进一步解决了输入图像的元素不匹配的问题。我们验证我们提出的方法，通过测试它对各种各样的图像内容。
2018-12-12 cs.CV
Color and Texture Dual Pipeline Lightweight Style Transfer
Guilin University of Electronic Technology（桂林电子科技大学）
提出CTDP双流水线轻量级风格迁移方法，同时输出颜色与纹理迁移结果，通过掩蔽总变差损失抑制伪影，并首次实现可控强度添加纹理，模型大小仅20k，性能达到最先进水平。
2023-10-02 cs.CV
ColorFM: An Optimization-to-Learning Framework for Color Transfer via Flow Matching
School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院）；VIVO BlueImage Lab（VIVO 蓝图像实验室）
针对颜色迁移中现有方法的问题，提出ColorFM框架，先通过ColorFM - O方案拟合速度场产生高质量配对数据，再基于此设计ColorFM - L前馈模型，实验证明该框架在多方面表现优异，结合了优化准确性与推理速度。
2026-07-09 cs.CV
Palette-based Color Transfer between Images
College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机与软件学院）；School of Computer Science, Qinghai Normal University（青海师范大学计算机学院）
针对传统基于调色板的颜色迁移框架需手动设置、适用性受限的问题，本文结合深度学习图像分割与新颜色映射策略，提出可自动生成配色的聚类方法，在多性能指标上优于同类方法。
2024-05-14 cs.CV
Preserving Color in Neural Artistic Style Transfer
U. Tübingen（图宾根大学）；Adobe Research（奥多比研究院）
本文介绍了神经艺术风格转移算法（Gatys等人）的扩展。原始算法将图像变换为具有另一给定图像的风格。例如，一张照片可以被转换成一幅名画的风格。在这里，我们解决了原始方法的一个潜在缺点：算法转移了原始绘画的颜色，这可能会以不受欢迎的方式改变场景的外观。我们描述了简单的线性方法转移风格，同时保持颜色。
2016-06-19 cs.CV
Example-based Color Transfer with Gaussian Mixture Modeling
School of Engineering, University of Fukui（福井大学工学院）
色彩传递在图像编辑中起着关键的作用，近年来引起了人们的广泛关注。迄今为止，由于各种问题，如耗时的手动调整和先前的分割问题，这仍然是一个挑战。在本文中，我们提出了一个概率框架下的颜色传输模型，并将其转换为参数估计问题。特别地，我们在高斯混合模型（GMM）下将传输图像与示例图像相关联，并将传输图像的颜色视为GMM的质心。我们采用期望最大化（EM）算法（E-步骤和M-步骤）进行优化。为了更好地保留梯度信息，我们在M步引入了一个基于拉普拉斯算子的正则化项，通过推导一个梯度下降算法来求解。给定源图像和示例图像的输入，我们的方法能够随着EM迭代的增加而生成连续的颜色转移结果。各种实验表明，我们的方法一般优于其他竞争力的颜色转移方法，无论是在视觉上和定量。
2022-01-06 cs.CV
CAMS: Color-Aware Multi-Style Transfer
York University（约克大学）；École de technologie supérieure (ÉTS)（高等技术学院（ÉTS））
图像风格转移的目的是操纵源图像或“内容”图像的外观，以共享与目标“风格”图像相似的纹理和颜色。理想情况下，样式转换操作还应该保留源图像的语义内容。一种常用的帮助转换样式的方法是基于Gram矩阵优化。基于Gram矩阵的优化的一个问题是它没有考虑颜色和它们的样式之间的相关性。具体来说，某些纹理或结构应该与特定的颜色相关联。当目标样式图像呈现多个样式类型时，这尤其具有挑战性。在这项工作中，我们提出了一种颜色感知的多风格传输方法，产生美观的结果，同时保留风格和生成的图像之间的风格颜色相关性。我们通过引入一个简单但有效的修改经典的基于克矩阵的风格传递优化实现了这一预期的结果。我们的方法的一个很好的特点是，它使用户能够手动选择目标样式和内容图像之间的颜色关联，以获得更大的传输灵活性。我们通过几个定性比较验证了我们的方法，包括一项有30名参与者的用户研究。与以前的工作相比，我们的方法是简单的，易于实现，并实现视觉上有吸引力的结果时，针对具有多种风格的图像。源代码可在https://github.com/mahmoudnafifi/color-aware-style-transfer上获得。
2021-09-04 cs.CV
Lipstick ain't enough: Beyond Color Matching for In-the-Wild Makeup Transfer
VinAI Research（VinAI研究院）；VinUniversity；Stony Brook University（石溪大学）
化妆转移是将来自参考图像的化妆风格应用于源面部的任务。现实生活中的化妆是多样和野生的，不仅包括颜色变化，而且还包括图案，如贴纸，腮红和珠宝。然而，现有的作品忽略了后者的组成部分，并局限于化妆转移到颜色的操作，只集中在轻化妆风格。在这项工作中，我们提出了一个整体化妆转移框架，可以处理所有提到的化妆组件。它包括一个改进的颜色转移分支和一个新的图案转移分支，以学习所有的化妆属性，包括颜色，形状，纹理和位置。为了训练和评估这样的系统，我们还引入了新的化妆数据集，用于真实和合成的极端化妆。实验结果表明，我们的框架实现了最先进的表现在轻和极端的化妆风格。代码可在https://github.com/VinAIResearch/CPM上获得。
2021-04-05 cs.CV
CDST: Color Disentangled Style Transfer for Universal Style Reference Customization
ByteDance（字节跳动）
介绍CDST这种新颖高效的双流风格迁移训练范式，能分离颜色与风格，推理时免调参实现通用风格迁移，首次免调参解决带风格和内容参考的特征保留风格迁移问题，实验证明效果达最优。
2026-07-07 cs.CV
Artistic Enhancement and Style Transfer of Image Edges using Directional Pseudo-coloring
C3.ai（C3.ai公司）
计算图像的梯度是计算机视觉流水线中的常见步骤。图像梯度量化图像中边缘的幅度和方向，并用于为下游机器学习任务创建特征。通常，图像梯度被表示为灰度图像。本文介绍了方向伪着色，一种方法，颜色的图像梯度在一个深思熟虑的和连贯的方式。通过用图像梯度方向对图像梯度幅值进行伪着色，可以增强图像边缘的视觉质量，实现对原图像的艺术变换。此外，我们提出了一个简单的样式传输管道，它从样式图像中学习颜色映射，然后通过定向伪着色技术将该颜色映射应用于内容图像的边缘。算法和实验的代码可在https://github.com/shouvikmani/edge-colorizer上获得。
2019-06-19 cs.CV
Color Transfer with Modulated Flows
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
提出基于修正流的ModFlows方法，利用最优传输在RGB空间实现可逆颜色迁移，训练编码器预测权重，无需微调即可处理新图像，达到最先进性能。
2025-03-24 cs.CV
Crowd Counting by Self-supervised Transfer Colorization Learning and Global Prior Classification
The Hong Kong University of Science and Technology（香港科技大学）
标记的人群场景图像是昂贵且稀缺的。为了显着降低对标记图像的要求，我们提出了ColorCount，这是一种新的基于CNN的方法，通过结合自监督转移着色学习和全局先验分类来利用大量可用的未标记数据。自监督着色分支通过使用其颜色分量作为伪标签来学习图像的语义和表面纹理。分类分支通过学习图像簇之间的相关性来提取全局组先验。它们融合的结果判别特征（全局先验、语义和纹理）为计数提供了充足的先验，从而显著降低了对标记图像的要求。我们对四个具有挑战性的基准进行了广泛的实验。与其他无监督方法相比，ColorCount实现了更好的性能。它的性能接近监督基线，具有显著更少的标记数据（原始数据的10%）。
2021-05-20 cs.CV
Domain Transfer for 3D Pose Estimation from Color Images without Manual Annotations
Graz University of Technology（格拉茨理工大学）；Université de Bordeaux（波尔多大学）
我们介绍了一种新的学习方法，从彩色图像的三维姿态估计。虽然获取彩色图像的注释是一项艰巨的任务，但我们的方法通过从用RGB-D相机捕获的成对彩色和深度图像中学习映射来规避这个问题。我们共同从容易生成的合成深度图像中学习姿势，并学习将这些合成深度图像与真实深度图像对齐。我们展示了我们的方法的任务，3D手的姿态估计和3D物体的姿态估计，无论是从彩色图像。我们的方法在流行的基准数据集上实现了与最先进的方法相当的性能，而不需要对彩色图像进行任何注释。
2019-02-21 cs.CV
Emerging from Water: Underwater Image Color Correction Based on Weakly Supervised Color Transfer
Tianjin University（天津大学）
由于光在水中传播时的选择性衰减和散射，水下视觉受到严重影响。这种退化不仅影响水下图像的质量，而且限制了视觉任务的能力。与现有方法忽略衰减的波长依赖性或假设特定的光谱轮廓不同，我们从一个新的角度解决水下图像的颜色失真问题。在这封信中，我们提出了一种弱监督的颜色转移方法来纠正颜色失真，这放松了对水下图像进行训练的需要，并允许水下图像未知的拍摄地点。受循环一致性对抗网络的启发，我们设计了一个多项损失函数，包括对抗损失，循环一致性损失和SSIM（结构相似性指数度量）损失，它允许校正结果的内容和结构与输入相同，但颜色就像没有水一样。对不同场景下的水下图像进行实验，结果表明，该方法具有良好的视觉效果，甚至优于现有的方法。此外，我们的方法可以提高视觉任务的性能。
2018-01-03 cs.CV
AdaCM: Adaptive ColorMLP for Real-Time Universal Photo-realistic Style Transfer
Baidu Inc.（百度公司）；Zhejiang University（浙江大学）；The University of Sydney（悉尼大学）
照片真实感风格转换旨在将艺术风格从样本风格图像迁移到内容图像，产生没有空间失真或不真实伪影的结果图像。最近的深度模型已经取得了令人印象深刻的结果。然而，基于深度神经网络的方法太昂贵而不能实时的【形】运行。同时，双边网格为基础的方法要快得多，但仍然包含文物，如过度。在这项工作中，我们提出了\textbf{Adaptive ColorMLP (AdaCM)}，一个有效的和高效的框架，通用的照片般逼真的风格转移。首先，我们发现输入域和目标域之间复杂的非线性颜色映射可以有效地由一个小型的多层感知器（ColorMLP）模型来建模。然后，在\textbf{AdaCM}中，我们采用CNN编码器来自适应地预测以每个输入内容和样式图像对为条件的ColorMLP的所有参数。实验结果表明，AdaCM可以生成生动、高质量的风格化结果。同时，我们的AdaCM速度超快，可以在一个V100 GPU上在6ms内处理4K分辨率的图像。
2022-12-03 cs.CV
Multimodal Fusion via a Series of Transfers for Noise Removal
Ryerson University（瑞尔森大学）
近红外成像已被认为是在昏暗照明条件下提供高质量照片的解决方案。该成像系统采集了两种多模态图像：一种是近红外灰度图像（NGI），另一种是可见光彩色图像（VCI）。NGI是无噪声的，但它是灰度的，而VCI有颜色，但它包含噪声。此外，NGI和VCI之间存在严重的边缘和亮度差异。针对这一问题，提出了一种新的基于转移的融合去噪方法。与传统的融合方法不同，该方法进行了一系列的传递：对比度，细节和颜色的转移。首先，所提出的对比度和细节转移的目的是解决严重的差异问题，从而创建一个新的无噪声和细节保护NGI。其次，建议的颜色转移模型的未知颜色从去噪VCI通过线性变换，然后将自然的外观颜色到新生成的NGI。实验结果表明，该方法能有效地解决融合图像中的差异问题，在去除噪声的同时，能清晰地描述融合图像的边缘和纹理。最重要的是，该方法优于传统的融合方法和引导滤波，甚至是最先进的融合方法的基础上的比例尺地图和层分解。
2017-01-22 cs.CV
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
MRStyle: A Unified Framework for Color Style Transfer with Multi-Modality Reference
Meituan Inc.（美团公司）；Huya Inc.（虎牙公司）
提出统一框架 MRStyle，通过 IRStyle 的风格化三维查找表处理图像参考，并对齐 stable diffusion 文本特征实现 TRStyle，在多模态颜色风格迁移上优于现有方法。
2024-09-09 cs.CV
Automatic Content-Aware Color and Tone Stylization
Adobe Research（奥多比研究院）；KAIST（韩国科学技术院）
我们引入了一种新的技术，自动生成多样化的，视觉上引人注目的风格化的照片在无人监督的方式。我们通过使用大型照片集学习给定输入的风格排名并选择匹配风格的不同子集进行最终风格转移来实现这一点。我们还提出了一种新的技术，将所选样本的全局颜色和色调转移到输入照片中，同时避免了现有风格转移方法所产生的常见视觉伪影。总之，我们的风格选择和转移技术在广泛的输入照片上产生引人注目的，无伪影的结果，用户研究表明，我们的结果优于其他技术。
2015-11-12 cs.CV
Neural Style Transfer for Point Clouds
Nagoya University（名古屋大学）；National Institute of Advanced Industrial Science and Technology (AIST)（国立先进工业科学技术研究所）
如何编辑或转换点云的几何或颜色属性？在这项研究中，我们提出了一个神经风格转移点云的方法，使我们能够转移的几何或颜色的风格从一个点云独立或同时到另一个。这种传输是通过操纵从彩色点云的预先训练的基于PointNet的分类网络中提取的内容表示和基于Gram的样式表示来实现的。由于基于Gram-based的风格表示是不变的点的数量或顺序，相同的方法可以被扩展到转换从图像中提取的风格的点云的颜色表达，通过仅仅处理图像作为一组像素。实验结果表明，所提出的方法的能力，从一个图像或点云的风格转移到另一个点云的单个对象，甚至是室内场景。
2019-03-14 cs.CV
Leveraging the Powerful Attention of a Pre-trained Diffusion Model for Exemplar-based Image Colorization
Institute of Integrated Research, Institute of Science Tokyo（综合研究所，科学研究所东京）
提出一种无需微调的预训练扩散模型着色方法，利用双注意力引导颜色迁移和无分类器引导，提升图像质量和参考保真度，FID达95.27，SI-FID达5.51。
2025-05-21 cs.CV
Image color transfer to evoke different emotions based on color combinations
University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）
本文提出了一种基于颜色组合来唤起图像不同情感的颜色传递框架。这种颜色转移的目的是改变图像的“外观和感觉”，即，唤起不同的情感色彩被确认为图像中最具吸引力的因素。此外，艺术和科学领域的各种研究都得出结论，除了单一的颜色，颜色组合是唤起特定情感的必要条件。因此，我们提出了一个新的框架来转移颜色的图像的颜色组合的基础上，使用一个预定义的颜色情感模型。这一新框架的贡献有三个方面。首先，用户不需要提供传统颜色转移算法中使用的参考图像。在大多数情况下，用户可能没有足够的美学知识或路径来选择期望的参考图像。其次，由于使用颜色组合而不是单一的颜色的情感，一个新的颜色转移算法，不需要一个图像库的建议。第三，再次由于颜色组合的使用，避免了通常在使用单一颜色的传统框架中看到的伪像。我们提出了令人鼓舞的结果，从这个新的框架和它的潜力，在几个可能的应用程序，包括颜色转移的照片和绘画。
2014-11-02 cs.CV cs.GR
3-D Material Style Transfer for Reconstructing Unknown Appearance in Complex Natural Materials
University of Florida（佛罗里达大学）
我们提出了一个3-D材料风格转移框架重建无形的（或褪色）复杂的自然材料的外观属性。我们的算法解决了将外观属性从一个对象转移到另一个相同材料的对象时，两个对象都具有复杂的，不对应的颜色模式的技术挑战。例如，蛋壳、外骨骼和矿物质的图案是由高度随机的有机和无机化合物层组成的。这些材料构成了一个挑战，因为确定表面颜色的化合物的分布在物体之间和局部图案区域内发生变化。我们的解决方案适应外观观察样本的材料属性分布的目标对象的材料属性分布，以重建其未知的外观。我们使用测量的反射率在3-D的双光谱纹理记录不断变化的材料属性分布。我们的球谐函数的新实现使用化学和生物学原理来学习样本中颜色（色调和饱和度）与材料成分和浓度之间的关系。编码的关系被转换为目标的属性分布，用于颜色恢复和材料分配。定量和定性的评价方法表明，我们复制的颜色模式更准确地比方法，只依赖于形状的对应关系和粗糙的感知差异。我们展示了我们的工作在灭绝化石中重建颜色，恢复褪色的文物和生成合成纹理的应用。
2021-12-31 cs.CV
Sample and Filter: Nonparametric Scene Parsing via Efficient Filtering
Australian National University（澳大利亚国立大学）；NICTA（澳大利亚国家信息与通信技术研究院）；EPFL（洛桑联邦理工学院）
场景解析在计算机视觉中引起了广泛的关注。虽然参数模型已被证明对这一任务是有效的，但它们不能容易地结合新的训练数据。相比之下，非参数方法绕过任何学习阶段，直接将标签从训练数据转移到查询图像，可以很容易地利用新的标记样本，因为它们变得可用。不幸的是，由于其标签传输过程的计算成本，最先进的非参数方法通常会过滤掉大多数训练图像，只保留少数相关图像来标记查询。因此，这些方法丢弃了许多仍然包含有价值信息的图像，并且通常获得不平衡的标记样本集。在本文中，我们介绍了一个非参数的方法，场景分析，采样和过滤器的战略。更具体地说，我们建议根据图像相似性得分对标记的超像素进行采样，这使我们能够获得一组平衡的样本。然后，我们制定标签传输作为一个有效的过滤过程，这让我们利用更多的标记样本比现有的技术。我们的实验证明了我们的方法在两个基准数据集上优于最先进的非参数方法。
2016-03-15 cs.CV
Meta-Learning for Color-to-Infrared Cross-Modal Style Transfer
Duke University（杜克大学）；University of Missouri（密苏里大学）
本文针对红外图像检测训练数据不足问题，提出元学习风格迁移（MLST），通过组合解析函数实现彩色到红外跨模态风格迁移，在多个红外数据集上取得最佳检测性能。
2024-11-23 cs.CV
Neural Artistic Style and Color Transfer Using Deep Learning
Department of Electrical Engineering and Computer Science（电气工程与计算机科学系）；University of North Dakota（北达科他大学）
本文提出一种结合神经艺术风格与色彩迁移的方法，利用深度学习并采用 KL 散度定量评估多种色彩和亮度直方图匹配算法在风格到内容迁移中的表现。
2025-08-12 cs.CV cs.LG
