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
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
提出了一种使用新型的连贯的语义注意力(CSA)层和深度生成模型的方法来进行图像修复的深度学习方法,能够更好地模拟孔特征之间的语义相关性,经过在多个数据集上的验证,该方法在图像修复领域取得了优异的成果。
May, 2019
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
提出了一种基于物理信息的图像修复方法,应用于地质统计学建模中,结合直接和间接测量,使用 Wasserstein 生成对抗网络,并验证了物理守恒定律在提高图像修复性能方面的作用。
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
本文提出了一种基于深度神经网络和纹理传播的学习方法来完成图像修复,通过分离任务为推理和翻译两个步骤并用简单的启发式算法指导局部纹理从边界到空洞的传播,我们证明了我们的方法在几个公共数据集上能够产生比以前的最先进方法更高质量的视觉结果。
Nov, 2017
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