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。

本文探讨了基于语言模型的自动图像和视频上色技术，提出了多种提高着色准确性和时间一致性的方法，包括端到端网络、全自动视频着色和基于T2I模型的彩色转换。实验结果表明，这些方法在视觉质量和性能上优于现有技术。

该研究提出了多种自动上色方法，包括基于条件随机场的变分自编码器、生成对抗网络和多模态框架，利用音频和视觉信息提升上色效果，解决了多项限制性问题，实验结果表明其性能优于现有技术。

本文提出了一种基于显著性图引导的生成对抗网络（SCGAN）框架，用于灰度图自动上色。该方法利用预训练的VGG-16-Gray网络的全局特征，通过颜色编码器实现高效训练，生成效果优于现有技术。实验结果表明，SCGAN在ImageNet验证集上表现出色。

研究人员提出了一种快速的自动给输入的3D网格上色的方法，能够正确照明和渲染网格，并产生高质量且可重照的纹理。他们介绍了一种新的文本到图像模型LightControlNet，通过该模型可以将期望的光照规范为条件图像。他们的流程比先前的方法快得多。

本文介绍了一种基于显著性图引导的生成对抗网络(SCGAN)框架，用于自动上色灰度图。该方法利用预训练的VGG-16-Gray网络的全局特征，并通过颜色编码器将其嵌入到颜色化中，能够用较少的数据训练，达到感知上合理的效果。实验证明，SCGAN能够生成比现有技术更合理的上色图像。