A Geometric Approach to Harmonic Color Palette Design
Center for Mathematical Research CIMAT（CIMAT数学研究中心）
我们解决的问题，找到调和色，这个问题有许多应用，从时尚到工业设计。为了解决这个问题，我们认为，颜色遵循正常分布的色调（色度和亮度）和色调。所提出的方法依赖于CIE标准来表示颜色和评估接近度。解决这个问题的其他方法使用一组规则。实验结果表明，具有特定参数的线的倾斜角度，从参考点的距离是优于其他的，不确定的线模式优于非线性模式。
2017-09-04 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
Style Transfer with Target Feature Palette and Attention Coloring
Chung-Ang University（中央大学）
风格转换是一种在保持图像结构的同时，将图像转换成具有鲜明艺术风格的图像的技术。然而，传统的方法容易丢失图像细节，并往往在风格转移过程中产生令人不快的伪影。针对这些问题，本文提出了一种新的基于目标特征模板的艺术风格化方法，该方法能够准确地传递关键特征。具体来说，我们的方法包含两个模块，即功能调色板组成（FPC）和注意着色（AC）模块。FPC模块基于K均值聚类捕获代表性特征并产生特征目标调色板。下面的AC模块计算内容和样式图像之间的注意力映射，并基于注意力映射和目标调色板传输颜色和图案。这些模块使拟议的风格化集中在关键功能，并生成可转换的图像。因此，所提出的方法的贡献是提出了一种新的基于深度学习的风格转移方法，并提出了目标特征调色板和注意着色模块，并通过详尽的消融研究提供了对所提出的方法的深入分析和见解。定性和定量的结果表明，我们的风格化的图像表现出最先进的性能，在保持核心结构和内容图像的细节强度。
2021-11-07 cs.CV eess.IV
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
Interactive Style Transfer: All is Your Palette
Nankai University（南开大学）
神经风格转移（NST）可以通过将参考风格转移到内容图像来创建令人印象深刻的艺术作品。目前的图像到图像的NST方法缺乏细粒度的控制，这往往是艺术编辑的需求。为了缓解这一限制，我们提出了一个类似绘画的交互式风格转移（IST）的方法，通过该方法，用户可以交互式地创建一个和谐的风格的图像。我们的IST方法可以作为画笔，从任何地方蘸取样式，然后绘制到目标内容图像的任何区域。为了确定动作范围，我们制定了一个流体模拟算法，该算法将样式作为画笔交互位置周围的颜料，并根据相似性图在样式或内容图像中扩散。我们的IST方法扩展了NST的创造性维度。通过浸渍和绘画，即使使用一种风格的图像也可以产生成千上万的引人注目的作品。演示视频可在补充文件或http://mmcheng.net/ist中找到。
2022-03-25 cs.CV
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
GIFnets: Differentiable GIF Encoding Framework
Google Research（谷歌研究院）
图形交换格式（GIF）是一种广泛使用的图像文件格式。由于调色板颜色的数量有限，GIF编码通常会引入色带伪影。传统上，应用抖动来减少色带，但是引入了点图案伪影。为了减少伪影并提供更好，更高效的GIF编码，我们引入了一个可区分的GIF编码管道，其中包括三个新的神经网络：PaletteNet，DitherNet和BandingNet。这三个网络中的每一个都在GIF编码管道中提供了重要的功能。PaletteNet在给定输入图像的情况下预测接近最佳的调色板。DitherNet操作输入图像以减少色带伪影，并提供传统抖动的替代方案。最后，BandingNet旨在检测色带，并提供专门针对GIF图像的新感知损失。据我们所知，这是第一个基于深度神经网络并兼容现有GIF解码器的完全可区分GIF编码管道。用户实验表明，该算法优于基于Floor-Steinberg的GIF编码。
2020-06-24 cs.CV eess.IV
Adversarial Stain Transfer to Study the Effect of Color Variation on Cell Instance Segmentation
CEA（法国原子能与替代能源委员会）；CNRS（法国国家科学研究中心）；WITSEE
组织学图像中的染色颜色变化是由多种因素引起的，这不仅对病理学家的视觉诊断而且对细胞分割算法都是一个挑战。为了消除颜色变化，已经提出了许多染色归一化方法。然而，大多数设计用于苏木精和伊红染色图像，并且在免疫组织化学染色图像上表现不佳。目前的细胞分割方法系统地应用染色归一化作为预处理步骤，但颜色变化带来的影响尚未定量研究。在本文中，我们产生了五组不同颜色的NeuN染色图像。我们应用了一种深度学习图像处理方法来执行组织学图像组之间的颜色转移。最后，我们改变了分割集的颜色，并量化了颜色变化对细胞分割的影响。结果证明了在后续分析之前进行颜色归一化的必要性。
2022-10-26 cs.CV eess.IV
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
Color-Oriented Redundancy Reduction in Dataset Distillation
The University of Queensland（昆士兰大学）
针对数据集蒸馏图像颜色空间冗余问题，提出 AutoPalette，通过调色板网络和颜色引导初始化分别在图像与数据集层面减少冗余并提升性能。
2024-12-10 cs.CV
Flexible Portrait Image Editing with Fine-Grained Control
Nanyang Technological University（南洋理工大学）；Alibaba Group（阿里巴巴集团）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
我们开发了一种新的人像图像编辑方法，它支持使用单个神经网络模型的几何，颜色，灯光和阴影的细粒度编辑。我们采用了一种新的非对称条件GAN架构：生成器采用转换后的条件输入，如边缘图，调色板，滑块和蒙版，可以直接由用户编辑;判别器采取的方式，可以更有效地指导可控图像生成的条件输入。以颜色编辑为例，我们将调色板（可以轻松编辑）输入到生成器中，并将颜色映射（包含颜色的位置信息）输入到生成器中。我们还设计了一个区域加权神经网络，以便将更高的权重分配给更重要的区域，如眼睛和皮肤。使用调色板，用户可以直接指定头发，皮肤，眼睛，嘴唇和背景的所需颜色。颜色滑块允许用户以直观的方式混合颜色。用户还可以通过修改相应的遮罩来编辑灯光和阴影。我们证明了我们的方法的有效性，通过评估它的CelebAMask-HQ数据集与广泛的任务，包括几何/颜色/阴影/灯光编辑，手绘草图到图像的翻译，和颜色转移。我们还提出了消融研究，以证明我们的设计。
2022-04-04 cs.AI 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
Decoding Tourist Perception in Historic Urban Quarters with Multimodal Social Media Data: An AI-Based Framework and Evidence from Shanghai
Tongji University（同济大学）；Carnegie Mellon University（卡内基梅隆大学）
本研究提出基于人工智能的多模态框架，通过分析社交媒体数据解码游客对历史城市街区的感知，揭示感知与现实之间的差距，并为遗产管理和城市设计提供依据。
2026-02-22 cs.AI cs.CV cs.CY
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
Regularized Discrete Optimal Transport
CEREMADE, Université Paris-Dauphine（CEREMADE，巴黎第九大学）；IMB, UMR 5251, Université Bordeaux 1（IMB，波尔多第一大学）；Institut Universitaire de France（法国大学研究院）
本文介绍了一个推广的离散最佳运输，与彩色图像处理的应用。这种新的提法包括放松的质量守恒约束和正则化项。这两个特征对于图像处理任务是至关重要的，这需要考虑多模态直方图的族，在模式之间具有大的质量变化。相应的松弛和正则化运输问题是凸优化问题的解。取决于所使用的正则化，可以使用标准线性规划方法或一阶近似分裂方案来求解该最小化。所得到的运输计划可以用作颜色转移图，其对于图像调色板之间的质量变化是鲁棒的。此外，运输计划的正则化有助于去除由于噪声放大而导致的着色伪影。我们还将这个框架扩展到分布重心的计算。重心是优化问题的解，其相对于重心和运输计划是单独凸的，但不是联合凸的。块坐标下降法收敛于能量的一个稳定点。我们表明，由此产生的算法可以用于跨几个图像的颜色归一化。放松和正则化的重心为这些图像定义了一个共同的调色板。向该平均调色板应用颜色转移执行输入图像的颜色归一化。
2013-07-21 cs.CV cs.DM math.OC
Palette: Image-to-Image Diffusion Models
Google Research（谷歌研究院）
本文开发了一个统一的框架，基于条件扩散模型的图像到图像的翻译和评估这个框架上的四个具有挑战性的图像到图像的翻译任务，即彩色化，修复，uncropping，JPEG恢复。我们简单实现的图像到图像扩散模型在所有任务上都优于强大的GAN和回归基线，而无需特定于任务的超参数调整，架构定制或任何辅助损失或所需的复杂新技术。我们揭示了去噪扩散目标中L2与L1损失对样本多样性的影响，并通过实证研究证明了自我注意在神经结构中的重要性。重要的是，我们提倡基于ImageNet的统一评估协议，包括人工评估和样本质量评分（FID，Inception Score，预训练ResNet-50的分类准确性，以及对原始图像的感知距离）。我们希望这个标准化的评估协议在推进图像到图像翻译研究中发挥作用。最后，我们表明，一个通才，多任务扩散模型执行以及或优于特定于任务的专家同行。查看https://diffusion-palette.github.io以了解结果概述。
2022-05-03 cs.CV cs.LG
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
Color Conditional Generation with Sliced Wasserstein Guidance
Glam AI；Magicly AI；McGill University（麦吉尔大学）
本文提出SW-Guidance方法，通过修改扩散模型采样过程，利用可微的切片1-Wasserstein距离提升颜色一致性，生成与参考图像颜色匹配且语义连贯的图像。
2026-05-01 cs.CV
Robust Registration of Gaussian Mixtures for Colour Transfer
Trinity College Dublin（都柏林圣三一学院）
我们提出了一个灵活的方法来颜色转移的启发，最近提出的形状注册技术。调色板和目标图像的颜色分布用高斯混合模型（Gestival）建模，高斯混合模型（Gestival）被鲁棒地配准以推断非线性参数传递函数。我们的实验表明，我们的方法相比，以及目前的技术定量和定性。此外，我们的技术是计算速度最快的，可以有效地利用并行处理架构，为相邻的图像和视频。我们的传递函数是参数化的，因此可以存储在内存中供以后使用，也可以与其他计算的传递函数相结合，以创建有趣的视觉效果。总的来说，本文提供了一个快速的用户友好的方法来浏览图像和视频材料。
2017-05-17 cs.CV
Reviving Ancient Paintings via Poem: A Colorization Framework for Aligning Cultural Semantics
针对古画褪色问题，提出PoemColor框架，通过诗歌绘画投影仪和结构感知语义注意力，将诗歌文化语义与绘画恢复对齐，并构建混合数据集。实验证明该框架显著优于现有方法，能实现可控色彩化，恢复古画历史真实性与诗歌语义。
2026-07-21 cs.CV
Learning to Structure an Image with Few Colors
Australian National University（澳大利亚国立大学）
色彩和结构是构成图像的两大支柱。通常，结构通过丰富的颜色光谱很好地表达，允许图像中的对象被神经网络识别。然而，在颜色空间的极端限制下，该结构趋于消失，因此神经网络可能无法理解图像。有兴趣探索颜色和结构之间的这种相互作用，我们研究的科学问题，识别和保存信息量最大的图像结构，同时限制颜色空间只有几位，这样产生的图像可以识别可能的高精度。为此，我们提出了一种颜色量化网络ColorCNN，它以端到端的方式学习从分类损失中构造图像。给定颜色空间大小，ColorCNN通过生成颜色索引图和RGB调色板来量化原始图像中的颜色。然后，这个颜色量化的图像被馈送到预先训练的任务网络以评估其性能。在我们的实验中，只有1位颜色空间（即，两种颜色），所提出的网络在CIFAR 10数据集上实现了82.1%的top-1准确度，大大优于传统的颜色量化方法。对于应用程序，当使用PNG编码时，所提出的颜色量化在极低比特率的情况下显示出优于其他图像压缩方法的优势。该代码可从以下网址获取：https://github.com/hou-yz/color_distillation。
2021-05-11 cs.CV
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
StyleRF-VolVis: Style Transfer of Neural Radiance Fields for Expressive Volume Visualization
University of Notre Dame（圣母大学）
本文提出 StyleRF-VolVis，一种基于 NeRF 的体可视化风格迁移框架，通过几何提取、调色板与无约束颜色网络实现一致且灵活的任意三维风格化。
2024-07-31 cs.AI cs.CV cs.GR
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
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
Free-Lunch Color-Texture Disentanglement for Stylized Image Generation
Harbin Institute of Technology, China（哈尔滨工业大学）；VCIP, CS, Nankai University, China（南开大学）；Computer Vision Center, Spain（西班牙计算机视觉中心）；Universitat Autònoma de Barcelona, Spain（巴塞罗那自治大学）；Program of Computer Science, City University of Hong Kong (Dongguan), China（香港城市大学（东莞）计算机科学系）；City University of Hong Kong, HK SAR, China（香港城市大学）
本文提出无需调优的SADis方法，通过分离颜色-纹理嵌入提升风格化图像生成的精度与定制能力。
2025-12-12 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
Dataset Color Quantization: A Training-Oriented Framework for Dataset-Level Compression
CFAR, Agency for Science, Technology and Research, Singapore（科技研究局CFAR, 新加坡）；IHPC, Agency for Science, Technology and Research, Singapore（科技研究局IHPC, 新加坡）；National University of Singapore（新加坡国立大学）；University of Electronic Science and Technology of China (UESTC)（电子科技大学）；Nanyang Technological University (NTU), Singapore（南洋理工大学, 新加坡）
本文提出DCQ框架，通过减少颜色空间冗余并保留训练关键信息，实现数据集层面的高效压缩，提升训练性能。
2026-03-01 cs.AI 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
Superpixel-based Color Transfer
Univ. Bordeaux, LaBRI, CNRS, UMR 5800, F-33400 Talence, France（波尔多大学、LaBRI、CNRS、UMR 5800）；Univ. Bordeaux, IMB, CNRS, UMR 5251, F-33400 Talence, France（波尔多大学、IMB、CNRS、UMR 5251）；Bordeaux INP, LaBRI, UMR 5800, F-33405 Talence, France（波尔多INP、LaBRI、UMR 5800）
提出基于超像素的快速颜色迁移方法SCT，利用近似最近邻匹配算法和融合框架提升匹配多样性与颜色迁移效果，视觉表现与最先进方法相当。
2025-09-17 cs.CV
On Color Alignment in VAE Latent Spaces and Its Applications
Computer Vision Center（计算机视觉中心）；Universitat Autònoma de Barcelona（巴塞罗那自治大学）；City University of Hong Kong (Dongguan)（香港城市大学（东莞））；Universitat de València（瓦伦西亚大学）
本文发现文本到图像模型的VAE潜在空间共享与亮度和对立色对齐的颜色子空间，并据此提出ColorTuning、饱和度控制和颜色迁移三种应用，其中ColorTuning在精确颜色生成上达到最先进性能。
2026-10-07 cs.CV cs.LG
Runway Extraction and Improved Mapping from Space Imagery
PeopleTec（人民科技公司）
应用于监测机场跑道等关键基础设施的变化检测方法代表了救灾和城市规划的重要能力。目前的工作确定了两个生成对抗网络（GAN）的架构，可逆地转换之间的合理的跑道地图和卫星图像。我们从相同的角度使用配对图像（卫星地图）并使用Pix 2 Pix架构或条件GANs来说明训练能力。在没有可用对的情况下，我们同样证明了具有四个网络头（鉴别器-生成器对）的CycleGAN架构也可以提供从原始图像像素到轮廓或特征图的有效风格转移。为了强调跑道和停机坪的边界，我们通过实验表明，传统的灰褐色地图调色板不是一个必要的训练输入，但可以通过更高的对比度映射调色板（红色-黑色）来增强，以获得更清晰的跑道边界。我们预览了一个潜在的新用例（称为“sketch 2satellite”），其中一个人大致绘制了当前的跑道边界，并自动化机器输出合理的卫星图像。最后，我们确定了错误的跑道地图的例子，其中发布的卫星和映射的跑道不一致，但自动更新使用GANs呈现正确的地图。
2021-12-30 cs.CV cs.LG
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
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
Domain-Aware Universal Style Transfer
Yonsei University（延世大学）；Microsoft Research（微软研究院）
风格转移的目的是从参考图像再现具有风格的内容图像。现有的通用风格转移方法成功地提供任意风格的原始图像，无论是在艺术或照片逼真的方式。然而，现有的作品所定义的“任意风格”的范围是有限的，在特定的领域，由于其结构的限制。具体地，根据预定义的目标域来建立内容保存和风格化的程度。因此，照片级真实感和艺术级模型都难以为另一个域执行所需的风格转换。为了克服这一限制，我们提出了一个统一的架构，域感知风格传输网络（Domain-aware Style Transfer Networks，DSTN），它不仅传输风格，而且传输域的属性（即，域性）。为此，我们设计了一种新的域指示器，从参考图像的纹理和结构特征中捕获域值。此外，我们引入了一个统一的框架与域感知跳过连接自适应地转移的笔画和调色板的输入内容的域指示器的指导下。我们广泛的实验验证了我们的模型产生更好的定性结果，并优于以前的方法在艺术和照片逼真的风格化的代理指标。
2021-08-17 cs.CV eess.IV
Fast color transfer from multiple images
University of Science and Technology of China（中国科学技术大学）
图像间的颜色传递有效地利用了图像的统计信息。提出了一种基于简单统计和局部线性嵌入的图像间局部颜色传递方法。提出了一种快速、方便地指定目标图像和源图像之间颜色对应关系的草图接口。用户可以使用划线来指定局部区域的对应关系，从而更准确地将目标颜色传递到源图像，同时平滑地保留边界，并且呈现出更自然的输出结果。该算法不局限于一对一的图像颜色传递，可以利用多幅目标图像来传递源图像中不同区域的颜色。此外，我们的算法不需要选择相同的颜色风格和图像大小之间的源和目标图像。我们提出了子采样，以减少计算量。与其他方法相比，我们的算法在输入数据的颜色混合方面有很大的改善。我们的方法保留了源图像中的其他颜色细节。各种实验结果表明，我们的方法指定的本地颜色区域在源和目标图像的对应关系。它表达了用户的意图，产生了更真实、更自然的视觉效果。
2016-12-28 cs.CV cs.GR
An Overview of Color Transfer and Style Transfer for Images and Videos
College of Intelligence and Computing, Tianjin University（天津大学智能与计算学部）
图像或视频外观特征（例如，颜色、纹理、色调、亮度等）反映了一个人对图像或视频的视觉感知和直接印象。给定源图像（视频）和目标图像（视频），图像（视频）颜色转移技术旨在处理源图像或视频的颜色（注意，源图像或视频在一些文献中也被称为参考图像或视频），以使其看起来像目标图像或视频的颜色，即，将目标图像或视频的外观转换为源图像或视频的外观，从而可以改变人们对源图像或视频的感知。作为颜色转移的扩展，风格转移是指通过风格转移模型，利用风格样本或图像集以艺术家的风格渲染目标图像或视频的内容。作为一个新兴的研究领域，风格迁移的研究引起了大量研究者的关注。经过几十年的发展，它已经成为一个高度跨学科的研究与多种艺术表现风格可以实现。本文概述了过去几年来色彩转移和风格转移的方法。
2022-07-19 cs.CV cs.GR
