一篇关于如何用深度学习完成自动上色（Automatic Image Colorization）的论文浅析

论文标题是《Let there be Color!: Joint End-to-end Learning of Global and Local Image Priors for Automatic Image Colorization with Simultaneous Classification》

Paper:http://hi.cs.waseda.ac.jp/~iizuka/projects/colorization/data/colorization_sig2016.pdf
GitHub Code: https://github.com/satoshiiizuka/siggraph2016_colorization

论文题目包含了这个网络的主要特点：
1. 端到端
2. 上色过程结合了全局（图像的语义信息）和局部特征
3. 整个过程自动完成上色，不需要预处理和后处理
4. 在上色的过程能同时完成分类的任务

前言：

end to end：

端到端指的是输入是原始数据，输出是最后的结果，非端到端的输入端不是直接的原始数据，而是在原始数据中提取的特征。

端到端的好处：通过缩减人工预处理和后续处理，尽可能使模型从原始输入到最终输出，给模型更多可以根据数据自动调节的空间，增加模型的整体契合度。在目标检测领域，yolo就是典型的端到端网络，You Only Look Once的意思就是端到端。

色彩空间：

Lab和RGB一样也是色彩空间的一种。L 代表亮度，而 a 和 b 代表颜色光谱绿-红和蓝-黄。正如下图所示，Lab 编码的图片有一个灰度层，而颜色层由三个减少为两个。这意味着我们可以在最终的预测中使用原来的灰度图片，同时只需要预测两个通道。

从实验上来说，人类眼睛里大约 94% 的细胞是用来探测亮度的，只有剩下 6% 是用来感应颜色的。正如你在上图中所看到的，灰度图比颜色图看起来清楚多了，这也是我们需要在神经网络输出中保留灰度图的另一个原因。

作者尝试了三种图像空间RGB、YUV、Lab，最后Lab效果相对较好，因此采用了它。

网络结构：

整个网络的架构由两个大部分组成：第一部分是由低级特征提取网络、中级特征提取网络、融合层和上色网络组成；第二部分由低级特征提取网络、全局特征提取网络组成。其中低级特征提取网络共享卷积核的权重，图中两个低级特征提取网络的紫色tensor厚度是相同的，但宽和高却不一定相同。

其实关于低级、中级、全局特征提取网络的区分是很模糊的，只能通过网络的深度来做一个大概的判断。一般卷积网络随着深度增加，提取的特征维度就会越来越高，一般认为：边和角—>纹理—>全局特征。

网络的输入是灰度图，第一部分网络的输入是原图像大小的灰度图，第二部分网络的输入是reszie（就是结构图中第二部分网络输入的Scaling操作）成224*224后的灰度图。第一部分只包含了卷积，所以对输入图像的大小没有限制。而第一部分包含了全链接，因此对输入图像的大小有限制。

神经网络的预测过程就像这样：我们有一张灰度图的输入，我们希望以此来预测两个色彩图层，Lab 中的 a 和 b，它们一起构成了色相（Chrominance）。再将预测图层经过上采样成原图的大小，最终和输入的灰度图层 L （Luminance）一起组合成 Lab 图片。

第一部分

网络结构的第一部分其实是一个生成模型，它已经具备上色的功能了，但是因为没有结合全局特征，所以效果不好。如下图所示，中间列是仅有第一部分网络时的输出结果，右边列是添加第二部分网络（全局特征）后的输出结果，明显看到中间列采用了非室内的色系，但是右边列显示良好，这就是加入全局特征的好处。网络在上色时，先根据图像内容的得到语境信息，然后再决定采用哪种“配色方案”，最后根据不同的纹理进行上色。

上色网络做了低级特征提取网络的反操作，不断通过上采样将tensor长宽还原。

第二部分

网络的第二部分是一个标准的卷积网络，全局特征提取层的输出是一个1x1x256的张量，通过融合层将语义信息加入第一部分网络。在全局特征后面添加两个全连接，第二部分网络就成了一个cifar*分类网络，具有了分类功能。当然正因为这个原因，全局特征提取网络的输出具有图像的语境信息。

网络的损失函数：

损失函数的前半部分是一个典型的无监督网络的损失函数：Xtrue - Xpre的MSE，后半部分就是分类部分的损失。前半部分损失的反向传播影响整个网络的权重，分类损失则只影响第二部分网络，并不影响上色网络和中级特征提取网络的权重。通过设置超参数阿尔法为0，就可仅使用上色部分损失。

总体来说，网络结构有两个亮点：

1. 融合层
2. 伴生的分类功能和风格迁移

融合层

融合层的公式：

从公式来看：全局特征提取层的输出是一个1x1x256的张量，将这个张量看成一个火柴，将（H/8）x（W/8）根火柴堆叠成一个立方体，大小为（H/8）x（W/8）x 256。将每一根火柴和其纵向对应的中级网络输出拼成一个大小为1 x 1 x（256+256）的张量，将这个张量和融合层纵向对应的输出(大小为1 x 1 x 256)做一个全连接，因此这样的全连接总共有（H/8）x（W/8）个。
其实简单的说，是对融合层做了一个1x1的卷积。

风格迁移

此外，这个网络还有另一个副产品—风格迁移

。

通过将第二部分网络的输入换成想要迁移的风格的灰度图，这里要求与被风格迁移的图片是相同的类型。下图通过麦田来对油菜花上色，使得输入图片就像更替了季节。

网络其他细节：

• 网络的输入是多分辨率的。
• 网络中没有池化层，通过步长为2*2的卷积代替池化。
• 除了输出层的激活函数是sigmod，其他层的激活函数都使用了Relu。
• 网络中的上采样都采用了基于最近邻算法的reszie。
• 对模型来说训练集是十分重要的，如果训练集的图片种类较少，那么泛化能力必然不好。
• 所有的上色模型都是没法解决诸如给一件毛衣上色的问题的，因为毛衣颜色 - 是不确定的，模型不能通过一张灰度图就判断它的颜色，不像天空、树木，有固定的色系，就像下图一样。
  

结论

大部分深度学习相关论文都很少见到理论推导，虽然反向传播有严格的数学基础，但是关于模型本身的结构为什么能达到目标，基本是通过试验结果来证明的，这种基于经验的模式需要我们对不同的“积木”有深刻认识。