图像上色旨为输入单色图像中的每个像素分配合理和感知颜色的过程。图像上色不止可以赋予老旧照片新的意义,还可以对现阶段彩色照片产生新的视觉冲击。图像上色应用广泛,有老旧照片上色、卡通动漫上色和自然场景上色等,本文针对自然场景中的图像进行自动上色。随着深度学习不断发展,图像上色算法得到不断优化,并取得令人满意的效果,但现阶段的图像上色中依然存在颜色溢出,上色结果颜色暗淡和颜色存在色差等问题,因此探究图像上色依然具有必要性。1.针对图像背景容易对前景实例上色造成干扰,导致图像实例边界出现颜色溢出问题,本文使用目检测网络,提取图像中实例,形成全局上色和实例上色,从而减少图像实例边界周围出现的颜色溢出;2.针对网络对语义内容与颜色匹配错误,导致图像内容出现颜色溢出问题,本文使用极化自注意力（Polarized Self-attention,PSA）。该注意力根据卷积层的维度通道变化作用,将输入图像特征转换为颜色通道特征和空间位置特征两部分,颜色通道学习图像的颜色信息,空间位置学习图像的位置信息,两者的结合提高网络对图像语义与颜色间地正确对齐,以此减少图像中的颜色溢出;3.针对网络对图像颜色信息捕获不充分导致上色结果饱和度低和色彩单调的问题,本文提出细粒度注意力机制。该注意力根据光学摄影中“极化滤波”和高动态范围成像机制,结合小感受野的卷积核和Softmax,从不同方向增强或是抑制图像的颜色特征并进行高动态范围映射,扩大图像颜色特征范围,提升图像对比度,从而提升图像上色色彩;4.针对网络中拟合函数单一,导致网络对真实图像的颜色拟合不充分而出现的颜色偏差问题,本文提出融合模块（Combination Module,CM）,该模块在颜色预测网络中组合多个Sigmoid和Softmax,让网络有更强的非线性表达能力,输出最接近真实图像的颜色分布,减少颜色偏差;5.针对实例图像周围存在的冗余色块问题,本文采用像素回归机制,使网络将冗余色块视作异常值,寻找其它上色解,最终输出无冗余色块的图像。本文采用迁移学习训练整个上色网络,保证上色质量的同时缩短训练时间。为证明上色网络有效性,本文从不同上色算法、消融实验、不同注意力机制和不同损失函数等角度分别进行定性测试对比。此外,本文使用PSNR、SSIM、FID、LPIPS、CCI（Colorful Color Index）、CNI（Colorful Natureness Index）几个指标定量证明本文网络上色有效性,相比最新的上色算法,本文的上色网络在FID、LPIPS两个重要评判指标中平均提升15个百分点。综上所述,本文所提出算法一定程度解决了图像上色中的颜色溢出、颜色暗淡和颜色偏差三个问题,定性和定量的结果也证明本文上色效果的优越性。