Použití Conditional Adversarial Networks pro kolorování a stylizaci skic

Abstract

Conditional generative adversarial networks se učí mapování z jednoho prostoru do druhého. Jsou ideální k digitálnímu zpracování obrazu, jakým je například kolorování. Počáteční prostor pro mapování je v tomto případě mapa hran či obrysů. Cílový prostor je pak obarvený obraz původních obrysů daného předmětu. Tato závěrečná práce se věnuje mapování ručně kreslených skic na jejich obarvené verze. Konkrétně se soustředí na obarvení skic ve stylu klipart a komiksových obrázků. Hlavním cílem práce je prozkoumat různý design použitých sítí nebo vlastnosti datasetů a získat tak informaci o možnostech této metody.

Conditional generative adversarial networks learn a mapping from one domain to another. They are ideal for image transformation tasks such as colorization. The initial domain in colorization is an edge map. The output would be the colorized image. This thesis explores said setting in a domain of hand-drawn sketches. The networks train to colorize the drawings in a vector art or comic style. The main goal is to examine various approaches to the network design and the data set attributes to obtain information about the model's capabilities.