这篇文档属于类型a，即报告了一项原创性研究。以下是对该研究的学术报告：
作者与机构
本研究的主要作者为Wenqu Zhao、Lingxue Wang、Miao Dong和Yi Cai。他们分别来自北京理工大学光学与光子学院以及北京理工大学珠海校区。该研究发表于2025年的《Neurocomputing》期刊，卷号为618，文章编号为129028。
学术背景
本研究的主要科学领域为计算机视觉，特别是图像着色（colorization）技术。图像着色是一种将灰度图像转换为彩色图像的技术，旨在增强图像的视觉表现力，使其更符合人类的视觉感知。图像着色在历史照片修复、卫星图像分析和医学图像处理等领域有广泛应用。然而，传统的图像着色方法往往存在计算复杂度高、局部结构信息丢失等问题。为了解决这些问题，研究者提出了一种基于超像素（superpixel, SP）的降噪自编码器（denoising autoencoder, DAE）方法，称为CSPDAE（Colorization via Superpixel Downsampler Denoising Autoencoder）。
研究目标
本研究的主要目标是开发一种能够自动进行超像素分割的图像着色方法，从而在保持图像拓扑结构完整性的同时，提高着色的准确性和视觉效果。具体而言，研究者希望通过引入超像素降采样器（SP downsampler）和颜色权重损失函数（Color Weight Loss, CW Loss），解决传统方法中计算复杂度高和局部区域聚类困难的问题。
研究流程
研究流程包括以下几个主要步骤：
超像素降采样器的设计
研究者提出了一种基于Transformer架构的超像素降采样器，用于在图像着色过程中自动进行超像素分割。该降采样器通过超像素交叉注意力（SP cross-attention）和聚合位置嵌入（Aggregated Positional Embedding, APE）机制，解决了Transformer在像素级分割中的计算复杂度和局部区域聚类问题。具体而言，超像素降采样器首先通过SP交叉注意力机制将像素序列转换为超像素序列，然后通过APE机制将相邻像素聚类为超像素。
CSPDAE模型的构建
研究者将超像素降采样器集成到降噪自编码器（DAE）中，构建了CSPDAE模型。该模型通过将输入图像转换为灰度图像，并使用超像素降采样器和上采样器进行着色和超像素分割。CSPDAE模型能够在着色过程中自动提取图像的结构特征，并将其用于超像素分割。
颜色权重损失函数的引入
为了进一步提高着色精度，研究者提出了一种基于CIEDE2000颜色差异公式的颜色权重损失函数（CW Loss）。该损失函数通过量化输出颜色与目标颜色之间的差异，并在训练过程中平衡不同颜色区域的样本数量，从而提高了着色的准确性。
实验与验证
研究者在Places、SUN和COCO数据集上对CSPDAE模型进行了验证。实验结果表明，CSPDAE在图像着色和超像素分割方面均优于现有的网络和超像素方法。研究者还通过用户实验和定量评估（如SSIM、FSIM和VSI指标）进一步验证了CSPDAE的有效性。
主要结果
1. 超像素分割效果
实验结果表明，CSPDAE能够自动进行超像素分割，并在训练过程中逐步细化分割结果。超像素降采样器通过SP交叉注意力和APE机制，能够有效捕捉图像的局部结构特征，从而提高了分割的准确性。
着色效果
CSPDAE在Places、SUN和COCO数据集上均表现出色，能够生成具有更高饱和度和更丰富细节的彩色图像。与传统的MSE损失函数相比，CW Loss能够更准确地量化颜色差异，从而提高了着色的视觉效果。
定量评估
在SSIM、FSIM和VSI等指标上，CSPDAE的表现均优于其他方法。特别是在CIEDE2000颜色差异指标上，CSPDAE的平均误差为8.79，显著低于其他方法。
结论
本研究提出了一种基于超像素降采样器的图像着色方法CSPDAE，并通过实验验证了其有效性。CSPDAE不仅能够在着色过程中自动进行超像素分割，还能够生成具有更高视觉质量的彩色图像。该研究的科学价值在于提出了一种新的图像着色框架，解决了传统方法中计算复杂度高和局部结构信息丢失的问题。此外，CSPDAE在历史照片修复、卫星图像分析和医学图像处理等领域具有广泛的应用前景。
研究亮点
1. 超像素降采样器
研究者提出了一种基于Transformer的超像素降采样器，通过SP交叉注意力和APE机制，解决了像素级分割中的计算复杂度和局部区域聚类问题。
颜色权重损失函数
研究者提出了一种基于CIEDE2000颜色差异公式的CW Loss，通过量化颜色差异和平衡样本数量，提高了着色的准确性。
自动超像素分割
CSPDAE能够在着色过程中自动进行超像素分割，无需额外的超像素输入，从而简化了传统超像素着色方法的流程。
其他有价值的内容
研究者在实验中还发现，CSPDAE在处理小区域颜色块时表现出色，能够更快速地拟合颜色分布。此外，CSPDAE在用户实验中也获得了较高的评价，表明其在人类视觉感知方面的优势。
这篇研究为图像着色领域提供了一种新的解决方案，具有重要的理论和应用价值。