Sep, 2018

空城市：针对动态不变空间的图像修复

PDF
TL;DR本论文提出了一个深度学习框架，通过使用卷积神经网络的多类语义分割和条件生成对抗模型来将显示动态内容的图片转换为逼真的静态帧，这种方法可以被用于增强现实领域和基于视觉的机器人定位目的，并在移除动态对象并模拟它们背后的静态结构方面，展示了我们方法的定性和定量比较结果。
deep learningimage processingaugmented realitysemantic segmentationvisual place recognition
发现论文，激发创造
  • 学习通过首先移除图像对象来添加图像对象的绘画

    通过利用分割蒙版数据集和在蒙版内修复的修复模型，我们可以实现自动逆向修复过程，将对象添加到图像中，在没有用户提供的输入蒙版的情况下，提供了一种无缝地根据文本指令添加对象的方法。

    Apr, 2024

  • 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

  • Inst-Inpaint: 使用扩散模型指导对象移除

    本论文提出了一种基于自然语言输入的图像修复算法，名为 Inst-Inpaint，可同时估计要移除的对象，并对其进行修复。为了支持该任务，我们首先构建了一个名为 GQA-Inpaint 的数据集。我们在合成和真实图像数据集上运行了各种 GAN 和扩散基线，使用不同的评估指标比较方法，并展示了显著的定量和定性改进。

    Apr, 2023

  • 从弱监督中进行语义前景修补

    本文介绍了使用一种新型的卷积神经网络（MPI）完成语义场景理解中的语义前景修复任务的方法，该方法不需要手动标注背景，并且其比之前最先进的两阶段方法提高了 3% 的 IoU，并在 Cityscapes 测试中表现得更有效率。

    Sep, 2019

  • 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

  • 基于深度学习的图像和视频修复研究综述

    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

  • 前景感知图像修复

    该研究提出了一种有前景意识的图像修复系统，通过分离结构推断和内容完成，学习预测前景轮廓并利用预测的轮廓进行纹理填充。实验表明，该方法在处理复杂图像的同时，能够显著提高图像修复的性能。

    Jan, 2019

  • 动态场景下的跟踪、建图和修复

    本文提出了 DynaSLAM，这是一种基于 ORB-SLAM2 的视觉 SLAM 系统，可以检测动态对象并背景填充，适用于单目，立体和 RGB-D 配置，并在公共数据集中证明了其在高度动态场景中优于标准视觉 SLAM 基线的准确性。

    Jun, 2018

  • 对比学习下的视频修复定位

    基于对比学习的 Video Inpainting LOcalization (ViLocal) 方案使用 3D Uniformer 编码器学习了有效的时空取证特征，通过吸引 / 排斥正 / 负原始和伪造像素对捕捉到了图像修复不一致，然后通过专门的两阶段训练策略利用轻量级卷积解码器生成了一个像素级修复定位地图，实验证明 ViLocal 优于现有技术。

    Jun, 2024

  • 一种视频修复的内部学习方法

    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