随着人工智能的不断发展,计算机技术与传统行业相互结合的趋势日益明显。近年来随着数字媒体技术的发展,许多黑白图像彩色化的方法被提出。过去人们进行图像彩色化的方法是基于颜色传递与扩展的,需要人工干预,且上色效果强差人意。因此应用深度学习的图像彩色化的研究,具有重要的意义和广阔的应用前景。近年来,生成对抗网络在图像生成,图像去噪,图像风格转换等领域均取得了不错的效果,充分证明了生成对抗网络在图像处理领域的潜力。因此本文采用生成对抗网络来进行图像自动着色的优化研究,主要内容如下。(1)通过大量公开数据集如Imagenet、CelebA等,经过图像灰度化预处理,得到成对的特征图,对网络进行训练。(2)针对现有的网络在高分辨率图像上对全局特征提取困难的问题,增加非局部块(Non-local Block)来提升全局特征提取效果。同时增加了两种损失函数,一方面用单向周期一致性损失来使得生成图的颜色与原始彩图的颜色尽可能接近,另一方面通过语义一致性损失使得生成图和原始彩图的语义尽量保持一致。(3)探究原图的潜空间颜色特征以及噪声信息对生成图效果的影响,提出了对应的变分自编码着色生成对抗网络架构,得到了具有启发性的结果。(4)针对生成对抗网络难以训练的问题,采用渐进增长训练方式以及两个时间尺度更新规则来进行训练,同时采用谱归一化增加模型的训练平稳性以及训练效果,最终能够生成较为真实的图像。本文在亚马逊云实验平台验证我们的网络着色效果,并通过Inception Score等多种评价指标对着色效果进行量化。实验证明,我们的网络在一定程度上解决了高分辨率图像难以着色的问题,能够生成色彩鲜明、分辨率清晰的高质量彩图。