给一张黑白线稿配上协调的颜色,往往是插画创作里最费时又最依赖经验的环节:颜色搭配要好看,阴影层次要自然,还要保持线条不被覆盖。PaintsChainer 把这件事交给卷积神经网络来处理,让线稿着色从纯手工变成半自动。它得到 Preferred Networks 的支持,源码以开源项目的形式公开,核心思路是用训练好的模型读入手绘线条,再预测每个区域应该填充的颜色,从而给出一张可以继续精修的彩色底稿。对不熟悉上色的创作者来说,它降低了尝试门槛;对有经验的画师来说,它可以当作快速铺色的起手工具,把精力留给更需要判断力的细节。本篇就从这个项目本身出发,梳理它能做什么、适合谁用、怎么在本地把它跑起来,以及使用者在动手之前需要知道的环境条件和边界。
Petalica Paint是什么?
Petalica Paint 是一个以 PaintsChainer 为核心的线稿上色开源项目,主要用来把黑白线稿交给卷积神经网络做半自动填色,服务于插画创作者、漫画作者以及想快速给草图上色的绘画爱好者。它的英文原名 Paints Chainer 直接点明了技术路线:用 Chainer 这套深度学习框架训练出的模型,读取线条轮廓并推断对应的色彩分布。与需要逐笔涂抹的传统填色不同,用户先准备好一张干净的线稿,工具便给出一版上色结果,再在此基础上反复调整。项目把训练脚本、推理代码和一个基于网页的操作界面放在一起,既能让普通用户直接体验现成模型,也方便研究者修改网络结构、重新训练自己的配色模型。

核心功能
- 半自动线稿上色——用卷积神经网络读入手绘线条并推断填充颜色,把原本要一笔笔铺的色块一次性给出初稿,节省大量重复劳动。
- 双层网络训练——上色主代码分成两层,可先用 GPU 训练第一层再训练第二层,让进阶用户按自己的画风重新练一套配色。
- 预训练模型——站方提供下载好的模型文件,放到指定目录即可推理,新手不必先准备训练数据和显卡就能体验效果。
- 网页操作界面——前端基于 html 与 wPaint.js 构建,画线与查看结果都在浏览器里完成,不必安装复杂的桌面软件。
- 本地服务脚本——后端是一个很基础的 python server,运行一条命令即可在本机起服务,数据留在自己电脑里更安心。
- 多环境依赖说明——文档列出了 Python、Numpy、openCV、Chainer 以及 CUDA 与 cuDNN 的版本要求,按清单配好环境就能少踩坑。
- 开发者社区——提供 Slack 邀请入口,遇到问题可以和同样在用的创作者、研究者交流经验。

使用场景
| 人群/角色 | 场景描述 | 推荐指数 |
|---|---|---|
| 插画师 | 拿到客户线稿后先跑一版配色做提案底稿,再手工精修关键部位 | ★★★★☆ |
| 漫画作者 | 为分镜草稿快速铺大色块,把时间留给构图和叙事打磨 | ★★★★☆ |
| 绘画初学者 | 没有配色经验时借现成模型看颜色如何搭配,边看边学 | ★★★★☆ |
| 机器学习研究者 | 用开放的两层训练脚本复现并改造线稿上色网络 | ★★★★★ |
| 同人创作者 | 给已有线稿尝试多种上色方向,灵感来了随时导出 | ★★★☆☆ |
操作指南
- 先核对运行环境:文档默认各项依赖采用较新的 LTS 版本,需要一块支持 cuDNN 的 Nvidia 显卡(计算能力不低于 3.0),Linux 下准备 gcc 与 g++ 4.8,Windows 下安装 Build Tools 2015 而不是同名的社区版集成环境。
- 安装语言与科学计算组件:建议使用 Python 3(3.5 为推荐版本),并配好 Numpy、openCV 的 cv2 模块以及 Chainer 2.0.0 以上版本;若打算用显卡加速,还要装好 CUDA 与 cuDNN。
- 取得项目代码与模型:从项目主页下载源码后,把预训练模型文件放进 cgi-bin/paint_x2_unet/models 目录,这样不必从零训练就能直接跑通推理;模型文件的具体获取方式见项目文档。
- 启动本地服务:后端只是一个很基础的 python server,在终端执行 python server.py,随后浏览器访问本机的 8000 端口即可打开界面。
- 在网页里画线稿并上色:界面基于 html 与 wPaint.js,画好线条后点 立即使用 提交,等待模型返回填色结果,再按需要手动微调颜色与边缘。
- 进阶用户可自行训练:上色主代码在 cgi-bin/paint_x2_unet 下,先执行 train_128.py 加参数 -g 0 训练第一层,再用 train_x2.py 加同样参数训练第二层,显卡编号按需替换。
- 遇到安装细节问题,去项目的安装指南与开发者社区查资料;想在线体验现成演示,可通过 Petalica Paint 进入项目页面获取入口。
支持平台
从现有的文档信息看,这个项目主要落在网页端:操作界面由 html 与 wPaint.js 构成,通过浏览器打开本地服务即可使用;后端是一个用 Python 写的本地服务脚本,需要用户在命令行里启动。系统层面文档明确提到了 Linux 与 Windows 两套依赖准备方式,显卡加速则依赖支持 cuDNN 的 Nvidia 卡。至于独立的桌面客户端、手机小程序或浏览器插件,站方没有明确列出,使用时以项目文档为准。
产品定价
站方未公开价格信息,以站内为准。文档里能确认的是使用条款方面的说明:源代码采用 MIT 许可开放,使用者可以按该许可查看和修改;预训练模型则另有使用限制,权利归原作者所有,不能与源码的开放程度等同看待。如果需要把成品用于商业场合,建议先按站内说明核对模型与源码各自的授权范围,再决定是否采用。
常见问题
Q:没有 Nvidia 显卡还能用吗?
文档把支持 cuDNN 的 Nvidia 显卡列在依赖清单里,并说明计算能力需达到 3.0 以上,这是为了用显卡加速推理与训练;如果只用现成模型做轻量尝试,可以先按文档里的 Python 环境准备,再确认 CPU 路径是否可用,站方没有对无显卡场景给出单独承诺,实际效果以本地运行为准。
Q:一定要自己训练模型吗?
不必。项目提供下载好的预训练模型文件,放到 cgi-bin/paint_x2_unet/models 目录就能直接跑推理,适合先体验效果。只有想让配色更贴近个人画风时,才需要按文档用 train_128.py 与 train_x2.py 分两层重新训练,这一步会用到显卡和更完整的环境。
Q:上色结果需要手动修改吗?
需要。项目定位是半自动填色,模型给出的是一版可供继续加工的初稿,而不是最终成品。线稿是否干净、颜色区域是否清晰都会影响结果,拿到填色结果后通常还要在界面里微调颜色与边缘,把它当作提高铺色效率的助手更合适。
开发者小结
把 PaintsChainer 放到同类项目里看,它的取舍很清楚:用开放的两层训练脚本和现成模型换取了极低的上手成本,让线稿上色不再是只有专业软件才能做的事,但代价是对环境依赖较为挑剔,显卡、Python 版本和几个计算库都要按文档逐一配齐,初学者在装环境这一步就可能卡住。它适合的边界是快速铺色、配色探索和教学演示,而不是替代精细的商业绘制;模型输出需要人工收尾,授权范围也要按站内说明分别看待。能接受这些前提的创作者,会把它当成趁手的起手工具;追求一步到位成品的用户,则更适合把它当作参考而非终点。
© 版权声明
文章版权归作者所有,未经允许请勿转载。
相关文章
暂无评论...









