Абе не още, но имам няколко идеи. За жалост, първоначалната ми идея това да става напълно автоматично се убедих че е непрактична на този етап, затова преминах на "полуавтоматичен" вариант - на всяка снимка след оцветяване нанасям ръчни корекции, един вид кликам някъде с мишката и казвам "това не е жълто, ами червено" след което това минава по каналния ред и се смята наново, с надеждата резултатът да е по-истински (в повечето случаи е, но се случват и грандиозни издънки). На снимка отиват между 20 и 40-50 такива корекции, дребните "детайли" са адски тегави. Но това не е лошо, сега позволява и малко фантазия. Например, нацистите на брега на реката излизаха като да носят униформи на съветската армия, трябваше си корекции, невронната мрежа грам идея си няма за втората световна война, кой с кого се е млатил и какви униформи е носил.

Тази с влака примерно беше най-зле, вероятно повече от 100 "корекции" съм правил там и пак изглежда доста неестествено. Първите две също са зле, но те са от по-ранен етап и преди да задобрея с корекциите, затова е нормално да са гадни...

Специално униформата е лесен казус, униформи на вермахта има достатъчно запазени днес (макар че на второ четене тези не ми приличат много на германски войничета и е малко странно това).

За съжаление, идеята да няма никакви творчески намеси (и съответно нещата да се пречупват през изкривените ми представи), няма как да се случи - обаче ако трябва да съм честен, това винаги си има bias-и. Дори да ставаше напълно автоматично, има огромно значение с какви изображения е тренирана мрежата, та нещата малко или много се свеждат до същия проблем.

В момента ползвам енкодер-декодер архитектура, която е масово ползвана. Входът е grayscale (черно-бяло) изображение, половината слоеве са типичните за такива неща конволюции и те "кодират" информация за различни обекти по снимките - последният слой от енкодера може да се активира примерно от покриви или автомобили или дървета. След това следва декодера - много сходно на енкодера, но "наобратно" - конволюциите са "обърнати" и последният слой от мрежата е два канала от същото изображение (в цветова схема където единият канал кодира яркост - HSV или YUV, в случая HSV). Комбинираме входа с останалите два канала, обръщаме в RGB и получаваме крайния резултат. С донагаждането е по-забавно и да си призная ползвам наготово трикове, които не разбирам и чисто математически ми изглеждат несъстоятелни, но се оказва че работят добре.

Та мрежата не я тренирам от нулата, вместо това ползвам готови тегла от някакви пичове които са я тренирали срещу imagenet - огромна база със стотици хиляди изображения. След това правя т.нар "transfer learning" - тренирам я срещу мои си изображения, но "замразявам" всички без последните няколко слоя от мрежата и те не се "учат". Това позволява бързо "научаване" на нови картинки. Това има ограничения разбира се. Сега на практика бих могъл да не ползвам imagenet-ските тегла, а да тренирам от нулата мрежата срещу друг dataset, примерно places365 е по-подходящ. Но това ще отнеме седмици, сигурно месеци. Но и няма толкова огромно значение, това което има значение е моите картинки с които дообучавам мрежата. Това е и причината да събирам всякакви снимки от Русе. Но пък това дава bias-и, някои сгради подозрително се оцветяват така както са боядисани днес, а навремето надали са изглеждали така.

В крайна сметка обаче накрая всичко опира до такива "изкривявания" - дали субективни, дали заради входните картинки с които е тренирана мрежата. Жалко, но няма какво да се направи - за съжаление голяма част от "цветовата" информация се е загубила завинаги и сега възтановяването й е....ами не много истинско.