几行代码实现老照片上色复原！

↑↑↑关注后"星标"Datawhale

每日干货 & 每月组队学习，不错过

 Datawhale干货 

作者：桔了个仔，南洋理工大学，Datawhale成员

身临其境的图像复原

之前看《你好李焕英》里，有一个表现手法非常让我印象深刻。就是一开始场景是黑白的，然后慢慢变成彩色的，从黑白到彩色的这个过程，让我有种「进入新的现实」的感觉。

近期有五四运动的图像复原，看到仿佛置身五四运动现场，尽管画面分辨率不高，色彩也不那么完美，但就是能给人一种身临其境的感觉，回到一百年前，与青年们一起救亡图存。

当时的青年尚能挺身而出，忧国忧民，我相信，现代的青年也能奋发图强，肩负起对于这个国家的历史责任，塑造起具有时代光芒的民族精神。

看了下，大家都对技术原理感兴趣啊，那我来用简单的语言讲讲吧。

技术原理

AI上色的原理是什么？ 那我们就需要介绍一种深度学习网络架构了，它就是GAN（这里不是粗话）。GAN不是干饭人的干，而是生成对抗网络（英语：Generative Adversarial Network，简称GAN）。当然，太复杂的技术讲解可能会让读者迷惑，于是我找到一张很直白的原理图。

GAN网络分两部分，一个是生成器（Generator），一个是鉴别器（Discriminator）。生成器通过对图像上色，然后交给鉴别器。鉴别器判断这一个图片看起来真不真，如果觉得假，鉴别器会返回「修改意见」，让生成器重新试试，直到鉴别器觉得足够真了。如果你觉得还不好懂，我再打个比方，这就好像美术老师指导学生画画的过程，一开始学生画出来的不够好，老师指出，学生尝试改改，老师再检查，再给意见，直到老师满意。

这就是一张图的上色过程。而视频是一帧帧画面组成的，给视频上色可以理解为通过这个网络架构给视频里的每一帧上色。不过没有这么简单，毕竟视频一秒钟几十帧，一帧帧上色有点慢，而且每一帧之前可能会出现上色效果不一致。所以有的架构会针对细节调整。例如DeOldify采用了NoGAN（一种新型GAN训练模型），用来解决之前DeOldify模型中出现的一些关键问题。例如视频中闪烁的物体：

‍ ‍

使用NoGAN前，画面闪烁严重

使用NoGAN后闪烁减少‍ ‍

当然，实际还原的色彩其实和原本的色彩是不一样的，仅仅是能让其看起来自然。我做了个实验（AI上色工具稍后介绍到），能看到上色效果和原来的效果并不一样。我下载了这么一张向日葵的照片

我手动转成黑白的

这时候再让AI上色，咦，向日葵变成雏菊了。不过看起来竟然也有另一番美感。

一般来说，给人上色会更接近实际情况些。因为人的肤色比较有限，判别器里已经学习过人脸的颜色可能是哪些，转换成灰度图像后对应什么颜色值，所以AI不太可能会给黑白的人像涂成绿色脸。

动手实现

如果你是技术小白，你可以直接打开这个网址，你只需要上传一张图片就能自动上色。Image Colorizationdeepai.org 例如效果如下：

看起来效果很棒吧。如果你懂点技术但不懂机器学习，可以用DeepAI提供的API。例如python调用方法如下：

import requests
r = requests.post(
"https://api.deepai.org/api/colorizer",
data={
'image': 'YOUR_IMAGE_URL',
},
headers={'api-key': 'quickstart-QUdJIGlzIGNvbWluZy4uLi4K'}
)
print(r.json())


# Example posting a local image file:

import requests
r = requests.post(
"https://api.deepai.org/api/colorizer",
files={
'image': open('/path/to/your/file.jpg', 'rb'),
},
headers={'api-key': 'quickstart-QUdJIGlzIGNvbWluZy4uLi4K'}
)
print(r.json())

如果想继续深入研究，可以fork DeOldify的repo。附开源地址：

https://github.com/jantic/DeOldifygithub.com

整理不易，点赞三连↓