全分辨率残差网络渐进式图像修复
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
本文提出一种基于 Recurrent Feature Reasoning 和 Knowledge Consistent Attention 的深度学习方法,有效地解决了大空洞修复的问题。模型首先循环推理卷积特征图的孔边界,再将其作为约束条件进行推理以填充孔洞,并且引入了 Attention 机制用于从最远处的特征图位置获取信息。
Aug, 2020
提出了一种上下文残差聚合 (CRA) 机制来产生高频残差,从而实现对低分辨率预测的重量级聚合。该模型在小图片上进行训练,可在高分辨率图片上进行推断,其能力可达到以前的学习基础方法所无法实现的程度。
May, 2020
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
本文描述了一种基于多阶段渐进推理和多尺度特征聚合模块的数字壁画修复方法,该方法通过全局到局部感受域递归推断损伤边界和逐步加紧区域纹理约束,能有效恢复敦煌壁画。
May, 2023
我们提出了一个通用的修复损坏图像的网络,能够分开处理连续和不连续区域,使用区域卷积来处理已有区域和缺失区域,并引入互相关损失以提供更多信息。实验结果表明,相对于现有方法,我们的方法在整张图片上能更精确地还原出缺失的区域。
Sep, 2019
本文提出了一种基于反馈机制的迭代图像修复方法,该方法使用深度生成模型输出填补结果和对应的置信度图作为反馈,结合引导上采样网络和真实对象移除场景下的训练数据的综合使用来实现高效图像修补。实验表明,该方法在定量和定性方面均优于现有方法。
May, 2020
提出一种基于多尺度神经网络贴片合成方法的图像修复算法,通过联合优化图像内容和纹理约束,不仅保留了上下文结构,而且通过匹配最相似的中间层特征相关性,产生高频细节。在 ImageNet 和 Paris Streetview 数据集上,该方法取得了最先进的修复准确性。
Nov, 2016