本文提出了一种基于扩散的图像修复算法,并针对多数图像修复算法需要反复训练的问题,证明了基于扩散的图像修复算法可以很好地处理未知蒙版,从而避免反复训练。通过分析目前流行的扩散图像修复算法 RePaint 及其存在的偏差问题,本文提出了一种新的修复算法 RePaint+,具有良好的收敛率,并校正了 RePaint 中存在的偏差问题,提升了采样恢复效果,是一种具有线性收敛结果的扩散图像修复算法。
Feb, 2023
该研究探讨了针对有损图像压缩的深度结构设计,提出了两个基于多级渐进编码器的结构方案并通过实验证实了它们对压缩性能的贡献。其中,学习残差预测和压缩前修复图像 (邻近像素) 以减少存储量的设计选择,能够使压缩文件大小平均降低超过 60%,且保持相似的压缩质量。
Sep, 2017
本文提出了一种用于图像修复的轻量级扩散模型,可以在单幅图像或几幅图像上进行训练,结果表明我们的方法在某些情况下可以与大型先进模型竞争,特别适用于与标准学习数据库中的 RGB 图像不同的图像获取模态,并在纹理图像、线条图像和材料 BRDF 等三个不同情境中取得了逼真度方面的最新成果,与相应方法相比计算负荷大大减少。
Jun, 2024
本文提出一种有效的算法来解决图像恢复应用中的约束问题,包括去卷积和从压缩观测中重建图像,使用总变差或小波(或更一般的框架)正则化。该算法属于增广 Lagrange 方法的范畴,并表现出在一定条件下具有收敛性。本文的结果表明,所提出的算法在图像恢复领域中具有最先进的技术水平。
Dec, 2009
本文介绍一种基于贝叶斯法的 COPAINT 算法,其使用扩散模型来修复图像并通过逐步减小误差的方式来减少与参考图像的偏差,从而优于现有的扩散模型方法。
Apr, 2023
图像修复是将图像中的缺失或故意遮挡部分恢复出来的过程,在现代修复技术中,我们提供了当前主要方法的概述和评估,并着重解决了现有模型在生成过程中缺乏提示和控制能力的问题,并提供了多种实现该功能的方法。最终,通过对生成的高质量图像进行定性检查,我们评估了我们的方法的结果是否能正确地修复指定区域。
Mar, 2024
本文介绍了一种基于图无穷 - Laplace 算子的、适用于有限带权图上的流形值数据的非局部修复方法,并推导了一个显式的数值解法,该方法在两类合成流形值图像上得到了验证。
Apr, 2017
本文提出了一种基于条件扩散模型的统一框架,用于图像到图像的转换,并在四个具有挑战性的图像到图像任务中测试了这个框架,即上色,修复,裁剪和 JPEG 恢复。我们的简单实现超越了所有任务上的强 GAN 和回归基线,无需任务特定的超参数调整,架构定制或需要任何辅助丢失或先进的新技术。我们揭示了扩散目标中 L2 与 L1 损失的影响,并通过实证研究证明了自我关注在神经结构中的重要性。重要的是,我们提倡一个基于 ImageNet 的统一评估协议,具有人工评估和样本质量得分(FID,Inception Score,预训练 ResNet-50 的分类准确度和与原始图像的感知距离),我们期望这个标准化的评估协议在推进图像到图像翻译研究方面起到作用。最后,我们展示了一个通用的,多任务扩散模型的执行效果与任务特定的专家模型相当或更好。
Nov, 2021
提出了一种新颖的视频修复算法,通过 Deep Image Prior(DIP)推出的卷积网络,同时生成缺失的外观和光流信息,并采用一种无需先验训练的生成式方法进行修复。该方法具有良好的视觉效果和长期一致性。
Sep, 2019
视频修复方法基于扩散模型的内部学习算法,通过简化学习步骤并针对动态背景和纹理,在视频修复任务中达到了最先进的性能。
Nov, 2023