Automated Image Colorization Method for Learning Diverse Images

Abstract
作者指出，着色问题是ill-posed以及模糊不清的典型多模态问题。过去的研究主要关注最可能的颜色方案；然而，在这篇论文中作者希望通过建立模型并生成具有长尺度空间连贯性的着色结果来解决这一本质问题。为了实现这一目标，在VAE框架下学习色域的低维嵌入空间，并设计损失函数以避免模糊输出的同时考虑到像素颜色分布不均匀性。最后实验结果表明所提出的方法在评估指标上优于现有条件变分自编码模型及cGAN等知名方法。

Introduction
上色任务难度较大且涉及局部与全局特征关系分析。仅关注局部特征会导致生成图像缺乏连贯性；因此需要开发一种同时处理单个像素估计与整体空间信息的方法。这种技术路径适用于多个预测任务如静态图像[1]到运动场合成[2]、未来帧预测[3]、延时视频重建[4]等场景中的视觉恢复工作。

一个解决方法是使用条件模型P(C|G),C是图片的色域，G是灰度图片。可以在条件模型上画一些样本点\{C_k\}_{k=1}^N从而获得多样的着色结果。然而，这种详细的条件模型设计起来