Title:Deep Colorization
背景：目前的显色方法（Colorization methods）分为scribble-based methods 和examplebased method两大类。
scribble-based methods：需要在待显色的灰度图像上提供大量的涂鸦，耗时耗人力。
examplebased method：为了减轻人力的负担，提出该方法，从相似的参考图像中将颜色信息转换到灰度图像中，显色质量依赖于参考图像的选择，合适参考图像的选择是一个难题。
本篇论文将图像染色问题看作一个回归问题，使用深度学习解决这个问题。
创新点：
1、提出了第一个基于深度学习的图像染色方法并且证明了其有效性。
2、它由低到高，仔细分析了内容丰富但有区别的图像特征描述符，这是该算法的关键部分。
大体思路：
对于神经网络的测试分为以下几个步骤：
1、首先，神经网络的input layer含有128个神经元，分别对应49维的patch feature(Low-level)、32维的DAISY feature（Mid-level
）和47维的semantic feature(High-level)。output layer包含2个神经元，分为是该像素的U V（色度）分量的值。
2、得到色度分量后，为了消除潜在伪影，以原始灰度图像为指导，利用joint bilateral filtering technique（联合双边过滤技术）细化色度分量的值。
3、最后结合细化的色度分量与原始灰度图像得到最终染色的图像。
重点：图像特征描述符的理解。
缺点：
1、由于依赖机器学习方法，所以需要一个包含所有可能待染色目标的大规模数据库训练网络，这是不可能的。比如当前的图像通过自然图像训练，所以就不适用于合成图像。
2、不能恢复在彩色到灰度转换过程中丢失的信息。