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

本文提出了一种基于生成对抗网络（GAN）框架的图像修复方法，该方法利用全局GAN（G-GAN）架构和PatchGAN方法结合进行鉴别器网络的构建，可较好地实现图像贴图的局部连续性和全局特征。经大量评估发现，与最新的现有技术相比，该框架在视觉和数量评估方面均取得了显著的改进。

Mar, 2018

本研究提出了一种GAN-based图像修复模型，利用局部内在维数测量GAN模型学习到的数据子流形与原始数据之间的对齐性，并将iLID和pLID用作正则化，促进两个层面的子流形对齐：1）改善结构一致性的图像级对齐；2）改善纹理细节的补丁级对齐。经实验证明，我们的模型比现有的最先进模型能够产生更准确的结果。

Aug, 2019

本文提出了一种利用扩张卷积密集组合，通过设计自主回归损失、几何对齐约束项和具有局部和全局分支的判别器等方法改进图像修复的 GAN 模型。实验表明，该方法在多个公共数据集上都优于现有的最先进方法。

Feb, 2020

本研究提出了一种基于逆掩码网络的视知觉对抗网络，用于面部图像修复，该方法结合了一个新的反向掩码操作符和特征空间的损失函数。与现有最先进方法相比，我们的方法在高分辨率图像修复任务中产生更逼真的输出，更符合人类视觉系统的认知。

Aug, 2020

本研究提出了一种基于生成式对抗网络的图像拓展方法，通过对多个潜在编码的生成进行条件渲染，实现了对图像的多样化拓展，并可对分类输入进行拓展，其拓展区域结构和内容更加丰富，表现出更高的视觉质量和多样性。

Apr, 2021

PD-GAN是一种基于GAN的图像修复方法，其利用SPDNorm和感知多样性损失来平衡图像修复的真实性和多样性，实验证明其可以生成更多样性和真实性更高的修复图像。

May, 2021

本文提出了一种新的用于图像修复的GAN反演模型InvertFill，它包括一个带有预调制模块的编码器和一个包含F&W+潜在空间的GAN生成器。通过使用F&W+潜在空间和Soft-update Mean Latent模块，该模型能够更好地实现图像修复。该模型在四个具有挑战性的数据集上的综合实验结果表明，在视觉和定量上优于现有的高级方法，并且很好地支持跨域图像的修复。

Aug, 2022

提出了一种使用CNN和Transformers进行全局推理的few-shot generative residual image inpainting方法，通过图像级和补丁级鉴别器及伪造补丁的对抗训练策略实现高质量修复效果，并通过对比评估表明该方法优于以往的few-shot image inpainting方法。

Apr, 2023

通过深度学习，对于图像和视频修复的基于深度学习的方法进行综合评述，并从高水平的修复流程、深度学习架构、模块设计等多个角度进行分类总结。同时，讨论了训练目标、常见基准数据集、评估指标以及各修复方法的优势、局限性及实际应用，并探讨了公开挑战和未来可能的研究方向。

Jan, 2024