A Grayscale-Compatible Color Encoding via 8-bit HSV Bit-Packing and Lightweight Refinement

问题背景

把彩色图像转换为灰度图，可以让图像更紧凑，并与灰度处理流程兼容，但所有色度信息也随之丢失。图像着色网络试图仅凭灰度图恢复颜色，这类模型通常规模庞大；而且输入中没有任何显式的颜色锚点，生成的颜色来自学习到的先验，可能与实际场景不符。

可逆灰度方法则把颜色隐藏在一幅 8 位的类灰度图中：或者修改像素值（可逆信息隐藏），或者借助可学习的可逆网络。得到的图像看起来像灰度图，但并不保证与标准灰度图逐位一致，而且神经网络类方法通常需要较重的编码器–解码器网络。本文选择了不同的设计点：采用 16 位单通道载体，其高字节就是标准 BT.601 灰度图，第二个字节则用来存放显式的颜色提示。它有意不取代严格的 8 位存储：每个像素使用 16 位而非 8 位，但仍少于 RGB 的 24 位。

方法原理

编码器是一条固定的位打包规则，没有可学习参数。解码器先由打包的比特确定性地重建一幅粗略的彩色图像，再由一个小型 U-Net 进行细化。

1. 灰度写入高字节。 对每个像素，把标准 ITU-R BT.601 灰度值（0.299 R + 0.587 G + 0.114 B，取整到 8 位）存入 16 位字的最高 8 位。
2. 量化色相和饱和度。 像素的色相（OpenCV 取值 0–179）和饱和度（0–255）各量化为 4 位。这种均衡分配 H4S4 由比特分配消融实验选定。
3. 打包低字节。 4 位色相和 4 位饱和度打包进低字节（共 8 位），即 HSV 提示。把该字右移 8 位即可精确取回标准灰度图：灰度 PSNR 为无穷大，灰度 SSIM 为 1.0。
4. 直接解码。 无需任何训练：拆出各字段，对色相和饱和度反量化，以灰度值作为 V，再由 HSV 转回 RGB，得到一幅粗略的彩色图像。
5. 残差细化。 主模型（UNet-residual）是一个两级、0.47 M 参数的 U-Net，以粗略 RGB 以及灰度、色相、饱和度三个平面（共 6 通道）为输入，叠加一个乘以 0.25 的残差，结果再截断到有效范围。另有两个同规模的直接预测变体作为消融：UNet-gray 只输入灰度平面，UNet-hints 输入灰度、色相和饱和度（3 通道）。

实验结果

所有网络均在 PASCAL VOC 2012 的 5,000 幅图像子集上训练（训练/验证按 80/20 划分），并在 256 × 256 分辨率下于 Kodak 24、DIV2K 验证集（100 幅）和 McMaster 18 上测试。颜色主要来自低字节提示：同时输入灰度、色相和饱和度的 U-Net（UNet-hints）在 Kodak 24、DIV2K 和 McMaster 上分别达到 40.64 dB、38.10 dB 和 35.41 dB，而只输入灰度平面的同一网络仅为 23.89、22.98 和 18.61 dB。不用任何网络、仅靠直接解码器，在 Kodak 24 上为 26.05 dB。残差变体分别为 37.88、37.60 和 31.26 dB；作者认为它在高饱和度的 McMaster 图像上差距较大，是因为 0.25 的残差缩放限制了它对较弱直接重建结果的修正幅度。在重新测量的基线中，WIN 2025 在多数指标上更高（Kodak 24 为 40.96 dB，DIV2K 为 38.16 dB，McMaster 为 39.43 dB）。作者强调，这些比较并未做码率归一化：基线使用 8 位载体，本方法使用 16 位载体。

对 16 位图像做有损处理时，这种格式比较脆弱。质量因子为 90 的 JPEG 会使残差流程在 Kodak 上的 PSNR 从 37.88 dB 降到 22.02 dB，σ = 0.5 的高斯模糊则降到 16.32 dB，因为两者都会混合或丢弃提示字节中的比特。若完全丢弃提示字节，输出会退化为接近灰度的图像（22.79 dB，SSIM 0.931）。因此作者建议在能无损保存 16 位图像的流程中使用该格式，例如 16 位 PNG。