本文介绍了多种基于生成对抗网络（GAN）的自动上色方法，包括无监督多样化上色、视频自动上色和图像上色。这些方法通过结合亮度信息、语义信息和特征提取，提升了上色效果的质量和一致性，并在不同数据集上取得了优异表现。

本文介绍了基于Mamba模型的多种图像处理技术，包括全色与NIR色彩化、图像上色、pan-sharpening和高光谱图像分类。这些方法在性能上优于现有技术，显著提高了图像质量和处理效率，展示了Mamba模型在图像融合和转换领域的潜力。

本文探讨了多种图像上色方法，包括变分自编码器（VAE）、条件生成对抗网络（cGAN）和卷积神经网络（CNN）。研究表明，VAE在多样性上色效果上优于其他方法。提出的自动化上色系统和基于记忆的着色模型在图像和视频着色任务中表现出色，具有良好的泛化性能和用户自定义能力。

本文介绍了一种新型图像上色框架，利用图像扩散技术和细粒度文本提示，实现高质量的彩色输出。该框架通过预训练的生成扩散模型进行微调，适用于历史图像上色和颜色增强，具有出色的视觉质量和颜色保真度。同时，研究探讨了图像合成模型的控制能力，提出了新的语义扩散引导框架，提升了用户对上色过程的控制水平。