Apr, 2016

上下文编码器：通过修补学习特征

PDF
TL;DR本研究提出了一种无监督的视觉特征学习方法，称为 Context Encoders，利用卷积神经网络通过上下文预测像素来对图像进行重构，该方法通过重构加对抗性损失双重学习获得更加清晰的结果，这种学习到的特征在分类、检测和分割等任务中表现出了很好的效果。
发现论文，激发创造
  • 结构修复

    本文介绍了一种基于卷积内容编码器（CE）的视觉修复技术，使用感知重构损失进行训练，该方法可以成功地结构修复各种视觉场景，并结合一种基于神经块的优化算法推出了一种无先验的视觉修复方法。

    Mar, 2018

  • 使用金字塔 - 上下文编码器网络进行高质量图像修复

    本文提出了一种基于 U-Net 结构的金字塔上下文编码网络 (PEN-Net)，并且使用深度生成模型实现图像修复，并通过逐层传递学习到的注意力，使得修复图像在视觉和语义上具有一致性和真实感。

    Apr, 2019

  • 轻量级像素上下文编码器用于图像修复

    本研究提出 Pixel Content Encoders (PCE)，一种轻量级图像修复模型，采用扩张卷积来保留空间细节信息，可用于图像修复和图像扩展。

    Jan, 2018

  • 基于学习语义先验的上下文感知图像修复

    本文提出了一种基于预训练任务和语义先验的图像修复方法，通过预处理任务学习语义先验并将其适应于图像修复，提出了一种上下文感知的图像修复模型，全面融合全局语义和局部特征，实现了对 Places2，CelebA 和 Paris StreetView 数据集的最新技术水平。

    Jun, 2021

  • 基于 GAN 的高效图像修复算法

    COVID-19 全球大流行对人脸识别带来了新的挑战，掩面的现象出现后，作者考虑利用图像修复中的机器学习方法来解决这个问题，并通过生成对抗网络（GAN）的生成能力和 autoencoder 的潜力，实现对原本被口罩遮挡的部分进行完整性修复。

    Sep, 2023

  • 具有上下文关注机制的生成图像修复

    本文提出了一种基于生成模型和卷积神经网络的图像修补方法，通过利用周围图像特征进行网络训练，生成的修补图像具有更高的质量和更逼真的纹理结构。

    Jan, 2018

  • Shift-Net: 基于深度特征重排的图像修复

    本文提出了一种名为 Shift-Net 的 U-Net 架构的特殊移位连接层，用于使用编码器任务中已知的区域以估算缺失部分，并通过引入辅助损失函数来训练整个模型，实现图像修复中具有更加清晰，精细纹理和逼真视觉效果的结果。

    Jan, 2018

  • 深度生成模型在语义图像修复中的应用

    本文提出了一种基于生成模型的新型语义图像修复方法，该方法可在缺失的内容相互独立的情况下进行推理，并取得超越其他方法的像素级真实感。

    Jul, 2016

  • CR-Fill: 生成式图像修复与辅助上下文重建

    通过同时训练辅助的上下文重建任务和修复生成器，我们提出了一种生成器无关的设计来解决存在困难的视觉填充问题，该设计在推理期间只需要差补生成器。实验结果表明，该方法在定量和视觉性能方面表现优于现有技术。

    Nov, 2020

  • 语义分割的上下文编码

    本文提出了一种 Context Encoding Module 方法，在原有 FCN 框架的基础上加入了全局场景语义信息来优化语义分割结果，在 PASCAL-Context、PASCAL VOC 2012 和 ADE20K 数据集上取得了最新最优的成果，并且通过在 CIFAR-10 数据集上进行对比实验表明该方法可以用来改善相对浅层网络的特征表示效果。

    Mar, 2018