（来源：机器之心）

该论文的第一作者为张栩禄，香港理工大学博士生，指导老师为李青教授，研究方向为图像与视频生成。迄今已在 ECCV、AAAI、ACM MM 等顶级会议发表多篇论文。本文通讯作者为魏骁勇教授，作者团队来自香港理工大学 PolySmart Group。

在动画和美术生产中，线稿上色是一个看似基础、却极其依赖细节控制的环节。创作者往往不是简单地把线稿涂上颜色，还需要理解角色身份、遵守局部色块约束、参考前后帧风格，并在连续片段中保持服装、发色、妆容和背景的一致性。尤其在现实工作中，控制信号通常是混合出现的，如文字描述、稀疏颜色提示、角色参考图、近期或远期的历史帧。

然而，现有的线稿上色方法大多围绕单一或少量控制信号设计，缺少一套统一的机制来理解多条件输入下的控制对齐。更复杂的是，不同控制信号之间可能发生冲突。例如，参考图希望角色保持人物风格，局部颜色涂鸦却要求某个区域改变颜色。因此，一个面向真实创作流程的上色系统，不能简单地把所有输入拼在一起，而需要判断每类信号在当前场景下应该发挥多大作用。

针对这一问题，ECCV 2026 接收的论文 OmniColor 提出了一个统一的多模态线稿上色框架。其核心思路是把复杂控制信号拆分为两类：需要严格空间对齐的条件，以及不追求像素对齐的语义参考条件。基于这两种分类，模型设计了针对性的编码策略、训练策略、冗余消除机制与自适应门控模块，从而支持任意组合的多模态控制。

图 1：OmniColor 统一着色能力展示。 给定线稿 L ，模型可以通过文本 T、颜色提示 C、身份参考 I 和 历史帧 H 的不同组合，生成准确的上色结果。

• 论文标题：OmniColor: A Unified Framework for Multi-modal Lineart Colorization

• 作者：张栩禄、杜昊谦、魏骁勇、李青

• 机构：香港理工大学、四川大学

• 会议：ECCV 2026

• 论文链接：https://arxiv.org/abs/2603.27531

• 代码：https://github.com/zhangxulu1996/OmniColor

OmniColor 的核心思路

OmniColor 将常见的上色输入信号划分为两类。第一类是空间对齐条件，包括输入线稿、用户提供的颜色提示，以及近期历史帧。这类信息和目标图像在空间位置上存在强对应关系，上色后的图像需要在边界、局部色彩、整体风格和几何结构上与输入条件保持精准一致。

第二类是语义参考条件，包括文本描述、角色身份参考图，以及长期历史帧。这些信号提供的是更抽象的语义约束，例如角色外观、整体配色、镜头氛围或长期一致性，但它们并不要求和当前输出逐像素对齐。

针对两类条件，OmniColor 设计了不同的编码路径。对于空间对齐条件，OmniColor 使用双编码器策略：一条路径利用 VAE 编码器保留颜色边界和高频细节，另一条路径通过 VLM 编码器提取局部语义。此时，模型既能关注线条、边缘和色块位置，也能理解这些局部区域在语义上属于头发、衣服、背景还是其他对象。

对于语义参考条件，OmniColor 只采用 VLM 编码，压缩后的语义 token 已经能够表达关键属性，而且这一设计还可以减少 token 数量，在一定程度上提升推理效率。

图 2：OmniColor 的架构，辅助信号分为空间对齐条件（蓝）和语义参考条件（绿）。空间对齐条件通过双编码器策略进行处理，语义参考条件仅使用VLM编码器处理，TRE 模块用于过滤冗余 token。MMDiT 主干网络通过 AS-Gate 模块融合这些特征，以解决输入冲突。模型通过 Flow Matching Loss 和 Dense Feature Alignment Loss 进行优化。

三个关键模块

确定整体编码路径后，OmniColor 进一步优化了空间条件控制精度、推理效率和条件冲突处理能力。

Dense Feature Alignment（DFA）：强化空间约束。仅在 VAE 潜空间里使用标准生成损失，往往不足以保证局部结构的严格对齐。OmniColor 引入了 DFA 损失，利用 DINOv3 提取预测图像和真实图像的稠密特征，并利用 MSE 损失约束二者对齐。由于早期生成状态噪声较多，该方法将这一监督限制在较晚的去噪阶段。

Temporal Redundancy Elimination（TRE）：历史帧冗余去除。动画序列里相邻帧往往包含大量重复的静止内容，把所有历史帧全部编码后，模型会接收大量冗余 token，既影响效率，也可能稀释真正有益的变化信息。TRE 机制将参考帧划分为多个 patch，计算相邻帧对应 patch 的颜色直方图相似度，过滤掉高度相似的冗余区域，再通过连通域分析提取最小包围框，获得多个发生变化的局部区域图像。此时，模型将接收「历史帧中发生变动的部分」。

Adaptive Spatial-Semantic Gating（AS-Gate）：动态处理多条件冲突。多模态控制的难点不只是信息多，还在于信息可能互相矛盾。OmniColor 提出 AS-Gate 模块，根据空间分支的信息密度动态调节语义分支的影响。当线稿、色块或近期历史帧已经给出强空间约束时，模型可以降低部分语义参考的干扰；反之，模型则更多依赖语义参考。该门控被集成到 MMDiT 的注意力结构中，并通过零初始化的 LoRA 保证训练初期接近恒等映射。

实验结果：质量、控制和一致性同时提升

论文基于 25 部高质量动画序列构建了训练数据，得到 12 万对高质量样本；测试集来自 6 部未见过的动画，包含 305 个视频片段和 900 个图像级测试样本。

论文与三类方法进行了比较。在相同的输入条件下，OmniColor 表现出了更高的性能。此外，该方法支持控制信号的自由组合，同一张线稿可以任意结合文本、颜色提示、身份参考和历史帧，生成高质量结果。

表 1：与当前先进方法的定量比较。注：L = 线稿；T = 文本描述；C = 颜色提示；I = 身份参考；H = 序列生成；G = 使用每个片段的第一张真实图像作为参考。

在文本引导的上色测试中，该方法实现了文本遵循与线稿结构的对齐。相比之下，通用多模态生成模型可以理解提示词，却难以严格贴合线稿结构；传统线稿上色方法又通常缺少足够灵活的多模态组合能力。

参考图像着色结果展示了模型对角色身份和风格信息的保持能力。即使目标画面与参考画面之间存在角色旋转、镜头推近或拉远，以及明显的视角变化，模型仍能稳定恢复角色的面部特征、发色和服饰风格。

图 4：基于参考图像的线稿着色定性结果。即使在旋转、缩放等多种运动以及显著的视角变化下，OmniColor仍能保持稳定的身份一致性和风格一致性。

多模态控制实验体现了 OmniColor 的细粒度控制能力。加入身份参考后，角色妆容、发色等个体属性能够得到更准确的上色；加入颜色提示后，模型可以将局部色块信息传播到对应的语义区域。

序列化生成体现出该方法在连续生成时的优势。当使用目标片段的第一帧作为空间参考时，生成效果与 GT 片段的相似性进一步提升。

最后，作者在真实线稿上进行了测试，并获得了出色的着色结果，展现出面向实际创作场景的应用潜力。

消融实验

消融实验结果显示，VLM-only 编码显著降低了推理延迟；DFA 损失增强了结构保真度；TRE 机制进一步减少了长期历史帧带来的 token 开销；最后加入的 AS-Gate 则取得了综合最优表现，说明自适应门控能够更好地平衡空间约束和语义参考。

表 3：消融实验。#Tokens 表示平均 token 开销。

结语

OmniColor 的贡献在于将这些输入信号纳入同一套框架，而不是为每种输入单独训练一个模型或设计一条独立流水线。这种统一性让模型能够适配更复杂的生产级场景，也为后续构建交互式 AI 上色工具提供了基础。随着未来推理速度进一步提升，并拓展到更抽象的草图或早期概念设计阶段，这类方法有机会成为动画、漫画和游戏资产生产中的高频辅助工具。