结构修复

Mar, 2018

Structural inpainting

Huy V. Vo, Ngoc Q. K. Duong, Patrick Perez

TL;DR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。

Abstract

Scene-agnostic visual inpainting remains very challenging despite progress in patch-based methods. Recently, Pathak et al. 2016 have introduced convolutional "context encoders" (CEs) for unsupervised feature learning through image completion tasks. With the additional help of

visual inpainting convolutional context encoders adversarial training perceptual reconstruction losses neural patches

发现论文，激发创造

上下文编码器：通过修补学习特征

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。

Apr, 2016

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

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

基于纹理和结构双重生成的图像修补

该研究提出了一种新的双流网络方法，能够模拟结构约束纹理合成和纹理引导结构重构，并且通过 Bi-directional Gated Feature Fusion 模块和 Contextual Feature Aggregation 模块实现更好的全局一致性和多尺度特征聚合，定量和定性实验证明了该方法的优越性。

Aug, 2021

增量变换器结构增强的图像修复与遮盖位置编码

该论文提出了一种基于注意力机制的变形器模型依次恢复整体图像结构，利用一个附加的结构修复器，通过零初始化残差加法有效地集成预训练修补模型，采用掩膜位置编码策略提高了不规则掩膜修补效果。

Mar, 2022

深度结构化基于能量的图像修复

本文提出了一种采用能量模型的结构化图像修复方法，通过卷积神经网络学习图像的结构关系以及缺失区域，并在多个基准数据集上进行实验，发现其明显优于使用生成对抗网络的现有方法。

Jan, 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

学习结构知识以进行图像修复

本文提出一个多任务学习框架，通过图像结构知识来辅助图像修复，并引入结构嵌入方案和注意机制来提供图像修复的前提条件和优化生成的结果，在多任务学习，结构嵌入和注意力机制的共同作用下，该框架充分利用结构知识，并在基准数据集上优于几种最先进的方法。

Feb, 2020

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

使用语义指导的交互式图像修复

本研究提出了一种新的图像修复方法，结合了神经网络的先验知识和用户的引导，使用自动编码器和语义解码器完成两个阶段，实现对修复结果的自定义控制，实验结果表明该方法在修复质量和可控性方面优于现有方法。

Jan, 2022