图像着色用于使经典的黑白电影现代化或提供对具有多种颜色分布的灰度图像的艺术控制。然而，当前的方法通常会导致不饱和和不自然的颜色。arXiv.org最近的一篇论文提出了BigColor，这是一种新颖的图像着色方法，可以为具有复杂结构的野外图像合成生动自然的颜色。

研究人员使用卷积编码器利用输入灰度图像的空间结构，与传统的着色相比，该编码器能够扩大生成器的表示空间。

BigColor可以处理任意大小的图像，这对于传统方法是不可行的。此外，可以通过为网络使用不同的条件向量来合成多模态着色结果。大量实验证实BigColor优于以前的方法。

对于逼真和生动的着色，最近已经利用了生成先验。然而，由于其有限的表示空间，这种生成先验通常无法用于野外复杂图像。在本文中，我们提出了BigColor，这是一种新颖的着色方法，可为具有复杂结构的各种野外图像提供生动的着色。虽然先前的生成先验被训练为合成图像结构和颜色，但我们在关注图像空间结构的情况下，在专注于颜色合成之前学习生成颜色。通过这种方式，我们减轻了从生成先验合成图像结构的负担，并扩展了其表示空间以覆盖不同的图像。为此，我们提出了一个受BigGAN启发的编码器-生成器网络，该网络使用空间特征图而不是空间扁平化的BigGAN潜在代码，从而扩大了表示空间。我们的方法可以在单次前向传递中为不同的输入实现稳健的着色，支持任意输入分辨率，并提供多模态着色结果。我们证明BigColor显着优于现有方法，尤其是在具有复杂结构的野外图像上。