图像着色任务的目的是将灰度图像的每个像素转换成合适的色彩像素,以使生成的着色图像具有感知上的意义和视觉吸引力。图像着色可协助视觉理解和对象跟踪等高级任务。在我们的日常生活中,无论是重燃尘封的回忆还是表达艺术创造,着色技术都能够起到关键作用。因此它一直是图像处理和计算机图形学研究领域中的活跃主题。图像着色是一种病态且模棱两可的问题。由于许多颜色共享同一灰度像素值,解决方案空间中存在的多模式性使得图像着色成为一项极富挑战性的任务且没有独特的标准解决方案。作为一种无需人工干预即可自动为灰度图像自动上色的图像着色技术,自动着色一直是图像着色研究领域中的一个活跃分支。与现有的大多数方法都集中在监督学习和色彩空间转换技术上以恢复原始图像的颜色不同,本文认为合理的解决方案是生成一些看起来很自然的着色结果,并且应避免成对的训练数据,以免数据收集不便。此外,本文认为无论要分配哪种颜色的区域,着色区域都应在语义和空间上保持一致。由于对应于灰度值的颜色值不是唯一的,因此严格的监督学习可能会导致不饱和着色。基于GAN的生成方案需要在语义空间上保持高度一致。为此,本文提出了一种基于非成对样本的无监督自动着色方案ACCycleGAN。特别是,在CycleGAN的启发下,本文将着色过程视为图像转换,并使用循环一致性思想来训练模型。在训练过程中,将高级身份损失修改和低级灰度损失引入优化模型。本文在PASCAL VOC 2007中随机抽取的数据作为训练集,因为本文的架构不需要大量数据来进行训练。其着色实验结果证明了本文基于循环一致对抗着色方案有效性。为了保证着色区域在语义与色彩特征空间上的一致性,本文进一步提出了以语义分割任务为指导的生成器来预测颜色分布,并将提出的灰度损失由L1范数优化为L2范数。本文使用PASCAL VOC 2012中随机抽取的少量数据集上训练进一步提出的模型。为了验证改善后模型的性能,本文使用一些流行先进方案进行了对比实验,并探索了模型组件对性能的贡献。实验结果表明,本文提出的方案可以生成令人信服的颜色,同时保持图像内容的一致性。