Колоризация эскизов на основе генеративно-состязательных нейронных сетей

  • Олег [Oleg] Васильевич [V.] Бартеньев [Bartenyev]
  • Эмиль [Emil Рашитович [R.] Салахутдинов [Salakhutdinov]
Ключевые слова: колоризация эскизов, генеративно-состязательные нейронные сети, глубокое обучение

Аннотация

Автоматическую колоризацию эскизов персонажей успешно выполняют генеративно-состязательные нейронные сети (GAN). Совершенствование подобных моделей может идти по таким направлениям, как повышение производительности и качества колоризации, снижение размера модели.

Предприняты шаги по повышению качества колоризации. На основании обзора известных решений создана и обучена начальная модель GAN, в кодере и декодере генератора которой по восемь блоков. Вторая модель GAN получена на основе первой в результате включения в блоки кодера генератора остаточных блоков и одновременного использования в декодере генератора блоков внимания и остаточных блоков. Третья модель GAN спроектирована на основе второй: в кодер и декодер генератора добавлено по одному блоку. Все модели, начальная и модифицированные, обучены на одном и том же наборе данных. Модели обучены либо с предоставлением дополнительной информации о цвете изображения (цветовой палитре эталонного изображения или цветовых метках-подсказках), либо без нее. Обученные модели оценены по качеству генерируемых ими изображений (раскрашенных эскизов), определяемому по метрике Frechet Inception Distance. Все модифицированные модели GAN генерируют более качественные изображения, чем начальная модель.

Сведения об авторах

Олег [Oleg] Васильевич [V.] Бартеньев [Bartenyev]

кандидат технических наук, доцент кафедры прикладной математики и искусственного интеллекта НИУ «МЭИ», e-mail: mdf4@mail.ru

Эмиль [Emil Рашитович [R.] Салахутдинов [Salakhutdinov]

аспирант кафедры прикладной математики и искусственного интеллекта НИУ «МЭИ», e-mail: SalakhutdinovER@gmail.com

Литература

1. Анатомический атлас человека в картинках [Электрон. ресурс] www.medikweb.ru/anatom_atlas/ (дата обращения 01.03.2021).
2. Геологические карты и атласы [Электрон. ресурс] www.jurassic.ru/maps.html (дата обращения 01.03.2021).
3. Yifan L., Zengchang Q., Zhenbo L., Hua W. Auto-painter: Cartoon Image Generation from Sketch by Using Conditional Generative Adversarial Networks [Электрон. ресурс] www.arxiv.org/pdf/1705.01908.pdf (дата обращения 01.03.2021).
4. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. [Электрон. ресурс] www.arxiv.org/pdf/1505.04597.pdf (дата обращения 01.03.2021).
5. Yuanzheng C., Xinzhu M. User-guided Deep Anime Line Art Colorization with Conditional Adversarial Networks [Электрон. ресурс] www.arxiv.org/pdf/1808.03240.pdf (дата обращения 01.03.2021).
6. Xie S. e. a. Aggregated Residual Transformations for Deep Neural Networks [Электрон. ресурс] www.arxiv.org/pdf/1611.05431.pdf (дата обращения 01.03.2021).
7. Kaiming H., Xiangyu Z., Shaoqing R. Deep Residual Learning for Image Recognition. [Электрон. ресурс] www.arxiv.org/pdf/1512.03385.pdf (дата обращения 01.03.2021).
8. Gang L., Xin C., Yanzhong H. Anime Sketch Coloring with Swish-gated Residual U-net and Spectrally Normalized GAN // Eng. Letters. 2019. V. 27. Iss. 3. Pp. 1—7.
9. Ye R. e. a. Interactive Anime Sketch Colorization with Style Consistency via a Deep Residual Neural Network // Proc. Intern. Conf. Technologies and Appl. Artificial Intelligence. Kaohsiung, 2019. Pp. 1—5.
10. Lvmin Z., Yi J., Xin L. Style Transfer for Anime Sketches with Enhanced Residual U-net and Auxiliary Classifier GAN [Электрон. ресурс] www.arxiv.org/abs/1706.03319 (дата обращения 01.03.2021).
11. Lvmin Z. e. a. Two-stage Sketch Colorization [Электрон. ресурс] www.ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=8944253 (дата обращения 01.03.2021).
12. Ozan Oktay e. a. Attention U-Net: Learning Where to Look for the Pancreas [Электрон. ресурс] www.arxiv.org/pdf/1804.03999.pdf (дата обращения 01.03.2021).
13. Fei W. e. a. Residual Attention Network for Image Classification [Электрон. ресурс] www.arxiv.org/pdf/1704.06904.pdf (дата обращения 01.03.2021).
14. Masashi A., Yuichi S., Yasuyuki T. Do You Like Sclera? Sclera-region Detection and Colorization for Anime Character Line Drawings // Intern. J. Networked and Distributed Computing. 2019. V. 7(3). Pp. 113—120.
15. Kataoka Y., Matsubara T., Uehara K. Automatic Manga Colorization with Color Style by Generative Adversarial Nets // Proc. XVIII IEEE/ACIS Intern. Conf. Software Engineering, Artificial Intelligence, Networking and Parallel/Distributed Computing, Kanazawa, 2017. Pp. 495—499.
16. Junsoo L., Eungyeup K., Yunsung L. Reference-based Sketch Image Colorization using Augmented-self Reference and Dense Semantic Correspondence www.arxiv.org/pdf/2005.05207 (дата обращения 01.03.2021).
17. Ren H., Li J., Gao N. Automatic Sketch Colorization with Tandem Conditional Adversarial Networks // Proc. XI Intern. Symp. Computational Intelligence and Design. Hangzhou, 2018. Pp. 11—15.
18. Taebum K. Anime Sketch Colorization Pair [Электрон. ресурс] www.kaggle.com/ktaebum/anime-sketch-colorization-pair (дата обращения 01.03.2021).
19. Yuxin W., Kaiming H. Group Normlization [Электрон. ресурс] www.arxiv.org/pdf/1803.08494.pdf (дата обращения 01.03.2021).
20. Heusel M., Ramsauer H., Unterthiner T., Nessler B., Hochreiter S. GANs Trained by a Two Time-scale Update Rule Converge to a Local Nash Equilibrium [Электрон. ресурс] www.arxiv.org/pdf/1706.08500.pdf (дата обращения 01.03.2021).
---
Для цитирования: Бартеньев О.В., Салахутдинов Э.Р. Колоризация эскизов на основе генеративно-состязательных нейронных сетей // Вестник МЭИ. 2022. № 1. С. 120—129. DOI: 10.24160/1993-6982-2022-1-120-129.
#
1. Anatomicheskiy Atlas Cheloveka v Kartinkakh [Elektron. Resurs] www.medikweb.ru/anatom_atlas/ (Data Obrashcheniya 01.03.2021). (in Russian).
2. Geologicheskie Karty i Atlasy [Elektron. Resurs] www.jurassic.ru/maps.html (Data Obrashcheniya 01.03.2021). (in Russian).
3. Yifan L., Zengchang Q., Zhenbo L., Hua W. Auto-painter: Cartoon Image Generation from Sketch by Using Conditional Generative Adversarial Networks [Elektron. Resurs] www.arxiv.org/pdf/1705.01908.pdf (Data Obrashcheniya 01.03.2021).
4. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. [Elektron. Resurs] www.arxiv.org/pdf/1505.04597.pdf (Data Obrashcheniya 01.03.2021).
5. Yuanzheng C., Xinzhu M. User-guided Deep Anime Line Art Colorization with Conditional Adversarial Networks [Elektron. Resurs] www.arxiv.org/pdf/1808.03240.pdf (Data Obrashcheniya 01.03.2021).
6. Xie S. e. a. Aggregated Residual Transformations for Deep Neural Networks [Elektron. Resurs] www.arxiv.org/pdf/1611.05431.pdf (Data Obrashcheniya 01.03.2021).
7. Kaiming H., Xiangyu Z., Shaoqing R. Deep Residual Learning for Image Recognition. [Elektron. Resurs] www.arxiv.org/pdf/1512.03385.pdf (Data Obrashcheniya 01.03.2021).
8. Gang L., Xin C., Yanzhong H. Anime Sketch Coloring with Swish-gated Residual U-net and Spectrally Normalized GAN. Eng. Letters. 2019;27;3:1—7.
9. Ye R. e. a. Interactive Anime Sketch Colorization with Style Consistency via a Deep Residual Neural Network. Proc. Intern. Conf. Technologies and Appl. Artificial Intelligence. Kaohsiung, 2019:1—5.
10. Lvmin Z., Yi J., Xin L. Style Transfer for Anime Sketches with Enhanced Residual U-net and Auxiliary Classifier GAN [Elektron. Resurs] www.arxiv.org/abs/1706.03319 (Data Obrashcheniya 01.03.2021).
11. Lvmin Z. e. a. Two-stage Sketch Colorization [Elektron. Resurs] www.ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=8944253 (Data Obrashcheniya 01.03.2021).
12. Ozan Oktay e. a. Attention U-Net: Learning Where to Look for the Pancreas [Elektron. Resurs] www.arxiv.org/pdf/1804.03999.pdf (Data Obrashcheniya 01.03.2021).
13. Fei W. e. a. Residual Attention Network for Image Classification [Elektron. Resurs] www.arxiv.org/pdf/1704.06904.pdf (Data Obrashcheniya 01.03.2021).
14. Masashi A., Yuichi S., Yasuyuki T. Do You Like Sclera? Sclera-region Detection and Colorization for Anime Character Line Drawings. Intern. J. Networked and Distributed Computing. 2019;7(3):113—120.
15. Kataoka Y., Matsubara T., Uehara K. Automatic Manga Colorization with Color Style by Generative Adversarial Nets. Proc. XVIII IEEE/ACIS Intern. Conf. Software Engineering, Artificial Intelligence, Networking and Parallel/Distributed Computing, Kanazawa, 2017:495—499.
16. Junsoo L., Eungyeup K., Yunsung L. Reference-based Sketch Image Colorization using Augmented-self Reference and Dense Semantic Correspondence www.arxiv.org/pdf/2005.05207 (Data Obrashcheniya 01.03.2021).
17. Ren H., Li J., Gao N. Automatic Sketch Colorization with Tandem Conditional Adversarial Networks. Proc. XI Intern. Symp. Computational Intelligence and Design. Hangzhou, 2018:11—15.
18. Taebum K. Anime Sketch Colorization Pair [Elektron. Resurs] www.kaggle.com/ktaebum/anime-sketch-colorization-pair (Data Obrashcheniya 01.03.2021).
19. Yuxin W., Kaiming H. Group Normlization [Elektron. Resurs] www.arxiv.org/pdf/1803.08494.pdf (Data Obrashcheniya 01.03.2021).
20. Heusel M., Ramsauer H., Unterthiner T., Nessler B., Hochreiter S. GANs Trained by a Two Time-scale Update Rule Converge to a Local Nash Equilibrium [Elektron. Resurs] www.arxiv.org/pdf/1706.08500.pdf (Data Obrashcheniya 01.03.2021).
---
For citation: Bartenyev O.V., Salakhutdinov E.R. Sketch Colorization Based on Generative-Adversarial Neural Networks. Bulletin of MPEI. 2022;1:120—129. (in Russian). DOI: 10.24160/1993-6982-2022-1-120-129.
Опубликован
2021-05-10
Раздел
Матем. и программное обеспеч. вычислит. машин, комплексов и компьютерных сетей (05.13.11)