结构修复
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
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
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
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
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
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
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
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
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