灰度图像着色作为计算机视觉领域的研究热点,其目标是为灰度图像中每个像素分配合理的颜色,使着色图像具有更丰富的视觉信息。目前,灰度图像着色技术在机器视觉、医学成像以及影视制作等领域具有广阔的应用前景。但由于多种颜色共享同一灰度值,导致图像着色本质上是一个模棱两可的问题。受这种不确定性的影响,灰度图像着色至今仍被认为是一项具有挑战性的任务。随着计算机图像处理能力的提高,深度学习也得以快速发展。在基于深度学习的着色研究中,生成对抗网络凭借其特有的对抗训练方式,在生成图像质量和颜色饱和度上都具有一定优势,但仍存在颜色溢出和细节信息不足等问题。因此,本论文在研究大量国内外先进着色算法的基础上,提出两种基于生成对抗结构的自动着色算法。主要研究内容与创新点如下:(1)提出一种基于全局特征自适应优化的对抗着色算法。该算法以生成对抗网络为主线,并采用成对数据在有监督模式下训练学习颜色信息。针对颜色溢出的问题,在生成网络中引入自主设计的全局特征融合模块,分别将全局特征与不同尺度的局部层级特征进行自适应融合,提升模型对全局语义信息的获取能力,但是该模块对输入图像尺寸有限制。针对细节信息不足的问题,从生成结构的角度出发,在生成网络中添加通道注意力模块对特征进行通道加权,以进一步增强模型的特征学习能力。针对生成对抗网络存在梯度消失和模式崩溃等问题,在损失函数中结合WGAN-GP优化思想以增强训练的稳定性。实验结果表明,该算法能够缓解颜色溢出和细节信息不足等问题,实现较好的彩色化效果。(2)提出一种基于循环一致的对抗着色算法。该算法以适用于无监督学习的循环一致生成对抗网络为基础进行改进,以实现在少量非成对数据且无监督模式下的颜色学习。首先,针对颜色溢出现象,在生成网络中应用无尺寸限制的非局部模块建立长距离依赖关系,以获取全局信息的表征。其次,针对细节信息不足等问题,从判别结构的角度出发,采用多尺度判别网络以引导生成细节丰富的图像。同样在损失函数中采用WGAN-GP优化思想以增强训练的稳定性。经过实验对比,证明该算法能生成真实感较强且细节较完整的着色图像。(3)对比以上两种算法,从训练方式、模型结构、训练时间成本以及对单张256×256图像着色所需时间等方面进行分析,最后分别总结本文两种算法的优势与不足。