Schwarzweiss-Bilder Kolorieren

KI-Kolorierung verwendet Faltungsneuronale Netze (CNNs), die im LAB-Farbraum arbeiten. Der L-Kanal repraesentiert die Luminanz (das Graustufenbild), waehrend die A- und B-Kanaele Farbinformationen kodieren. Das Modell nimmt den L-Kanal als Eingabe und sagt die A- und B-Kanaele voraus, die dann zu einem Vollfarbenbild kombiniert werden. Dieser Ansatz nutzt die Tatsache, dass die Luminanz strukturelle Informationen traegt, waehrend die Chrominanz Farbe hinzufuegt.

Vor der KI war das Kolorieren von Fotografien ein muehsamer manueller Prozess. Kuenstler kolorierten Abzuege von Hand mit Oelen, Farbstoffen oder Aquarellfarben, eine Technik aus den 1840er Jahren. Die digitale Kolorierung entstand in den 1970er Jahren fuer Filme, erforderte aber, dass Kuenstler manuell Farben fuer jede Region auswaehlen. Moderne Deep-Learning-Modelle basierend auf Architekturen wie U-Net und ResNet automatisieren diesen Prozess, indem sie Farbverteilungen aus Millionen von Trainingsbildern lernen.

KI-Kolorierung hat inherente Einschraenkungen. Das Modell kann die genaue Farbe beliebiger Objekte nicht bestimmen; ein Auto in Graustufen koennte jede Farbe haben. Es stuetzt sich auf Kontexthinweise und statistische Priors. Haeufige Herausforderungen sind Farbueberlaeufe an Objektgrenzen, entsaettigte Ergebnisse in mehrdeutigen Bereichen und falsche Schaetzungen bei ungewoehnlichen Farbkombinationen. Die Anpassung des Intensitaetsreglers kann einige dieser Probleme abmildern.

KI-Kolorierung geht ueber die persoenliche Fotorestauration hinaus. Filmrestaurierungsstudios kolorieren klassische Schwarzweiss-Filme. Medizinische Bildgebungsforscher verwenden aehnliche Techniken zur Verbesserung von Graustufenscans. Die Satellitenbildanalyse profitiert von der Kolorierung zur Unterscheidung von Gelaendetypen. Kunsthistoriker nutzen sie, um zu visualisieren, wie antike Skulpturen und Gebaeude urspruenglich in Farbe ausgesehen haben koennten.