Style2paints【AI线稿上色 】 下载

Style2paints【AI线稿上色 】是一款苏州大学和香港大学精英团队研发的专业性的AI漫画线稿自动上色工具，可依据用户提交的自定色彩给线稿开展着色。因为排期限定，大家常常会见到动漫因为拍摄時间急迫而发生绘画崩坏三的状况。这类工具也许可以协助大家减轻那样的状况，可以应用 AI 技术性为黑白线稿迅速自动上色。

应用实例

谷歌图片关键词搜索“Anime Sketch”（动漫线稿），結果如下所示。随后免费下载第一个結果：

随后给 AI 键入一些风格图片，不限定內容，只需颜色较为漂亮，色彩饱和度较为广泛就可以。下边是直接选了9张色彩不尽相同的照片给AI参照：

輸出結果如下所示：

度盘下载：https://pan.baidu/s/15xCm1jRVeHipHkiB3n1vzA

手机软件特性

1. 最大精确度

Stylepaints2 的开发人员表明其发布的工具拥有准确度很高的色彩提醒笔，这类称为「神经系统提醒笔（neural hint pen）」的工具融合了颜色选择符和简易的签字笔工具。艺术大师可以挑选颜色并线上稿的一切位置添加颜色提醒。绝大部分业界最好的神经元网络着色工具都是有相似的工具。纵览现阶段的所有动漫着色工具（Paintschainer Tanpopo、Satsuki、Canna、Deepcolor、AutoPainter（有疑问）），Stylepaints2 的笔工具有着最大的精确度。在极具趣味性的情形下，艺术大师乃至能在 1024×2048 屏幕分辨率的绘画上应用 3×3 的提醒笔操纵 13×13 地区的颜色。针对更高的区块链，3×3 像素数的提醒乃至可以操纵半张中画幅的颜色。这是一个十分具备趣味性的设计方案，这也代表着该工具是朝向技术专业主要用途的（此外，别的着色方法的提醒笔工具更偏向于噪杂的提醒，针对精确性掌握不佳）。

2. 最肯定的设计风格

当提及「当然」的情况下，大家的意思是在培训全过程中不添加一切人力制订的标准，假如你了解 pix2pix 或 CycleGAN，你也就会搞清楚这种經典方法都是会添加一些附加的标准以保证转化成图象的高品质。比如，pix2pix（或 HQ）会向个人目标添加一个 l1 损失函数（或一些深层 l1 损害），与此同时鉴别器接受 [input，training data] 和 [input, fake output] 对。尽管之前的新版本中 Stylepaints 应用了这种方法，但最新版本中练习是单纯无监管，且彻底没有理由的。在培训时，开发人员未添加强制性神经元网络为手稿着色的标准，但神经元网络自主从键入照片中学习培训到着色的方法，那样的全过程让鉴别器更为无法鉴别。最后的学习规划与經典的 DCGAN 完全一致，沒有别的任何东西，与此同时鉴别器也不会接到 pairs。在神经元网络十分深的情形下，这类方法十分无法收敛性。

3. 最融洽的设计风格

对大家大部分人而言，美术绘画是十分艰难的，这也就是为何大家会较为钦佩艺术大师。一位出色艺术大师的最重要专业技能便是为美术绘画挑选和睦的色彩。大部分人都不清楚在美术绘画行业中有十多种深蓝色，而且尽管这种颜色被称作「深蓝色」，但两者相互之间的差别会对美术绘画結果造成很大的运用。想像一下，假如外行用户运作上色手机软件，而手机软件向用户呈现 20×20=400 的极大调色盘，并向用户了解「你需要哪一种图象呢？」我很明确这种外行用户将不可以挑选较好的颜色。可是这对 STYLE2PAINTS 而言并并不是什么问题，由于用户能提交参照图象（或称之为设计风格图象），随后用户能立即在图象上挑选色彩，神经元网络接着会依据这种图象和提醒的颜色全自动为新图象着色。这类色彩融洽的上色针对外行工作人员而言是友善的。在任何的人工智能技术动漫绘画智能体中，大家的方法是唯一含有这类融洽特点的实体模型。

日系小清新迁移

是的，这就是一种日系小清新迁移。我不会明确大家是否第一个做这类迁移，可是我明确假如你必须一种动漫绘画的迁移方法，你一直在在网上搜一圈后会最后发觉大家的 STYLE2PAINTS 是较好的挑选，实际上它也是唯一的选择。很多源于亚洲地区的毕业论文说明她们早已可以迁移动漫绘画设计风格，可是当你细心查看她们的毕业论文，你也就会发觉说白了的新方法实际上便是对 VGG 开展调参。因而，下边大家展现了实体模型的具体情况：

全部根据 ImageNet VGG 的迁移方法在动漫绘画中特性并不足出色。

全部根据 Anime Classifier 的方法也都不足出色，由于大家并沒有像 ImageNet 那般的日本动漫数据。假如你一直在 Illustration2vec 或其他一些动漫分类器上运作一些 gram 引流矩阵优化器，你可以得到的只有一个极致的 Gaussian Blur Generator，由于全部当今的动漫分类器在特点学习上做得并不太好。

由于上边两根，当今全部根据 gram 引流矩阵、马尔科夫随飞机场、矩阵范数和深层特点 patchMatch 的方法在日本动漫上特性都不足好。

由于上边三条，全部前馈控制的迅速迁移方法在日本动漫上面不足出色。

GAN 还可以做设计风格迁移，可是大家必须用户提交特殊的设计风格，而不是挑选 Monet/VanGogh。