图像修复的区域归一化
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
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
本文提出了一种基于生成的多列网络来进行图像修复的方法,该方法通过采用置信度驱动的重建误差和多重随机场正则化来增强图像的全局和局部细节,在不需要进行后期处理的情况下,在挑战性的街景、人脸和自然场景下产生了令人信服的视觉效果。
Oct, 2018
本文提出了一种新的盲目修复网络,使训练过程在未知的缺失区域模式下更加鲁棒,并且通过语义不一致性的估计和新的空间归一化方法,使视觉修复更加精细,实验表明该方法在盲目图像修复方面相当有效。
Mar, 2020
提出了一种新的基于掩模感知的修复算法,使用Mask-Aware Dynamic Filtering (MADF) 学习缺失区域的多尺度特征,采用Point-wise Normalization (PN) 动态分配权重,在一个端到端的框架中逐步利用重建损失、感知损失和总变分损失进行逐步优化。实验证明该算法在三个公共数据集上表现得非常出色。
Apr, 2021
本文旨在进行普适图像修复检测,实现检测网络广泛应用于不同的deep image inpainting方法,通过提出新的数据生成方法,建立训练数据集,并设计了Noise-Image Cross-fusion Network,有效利用图像和噪声模式中的区分性信息,在多个基准数据集上实证表明,我们的方法优于现有的检测方法并且对未知的deep inpainting技术具备很好的泛化能力。
Jun, 2021
本文提出了一套联合预测滤波和生成网络的混合框架 JpgNet,通过结合预测滤波网络和生成网络,同时保留局部结构和整体理解,并提出了一种不确定性感知融合网络,可用于图像修复领域。在 Dunhuang、Places2 和 CelebA 等数据集上的实验表明,这项技术可以显著改善三种最先进的生成模型,同时时间成本略有增加。
Jul, 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
该论文介绍了一种用于图像修复的新型深度神经网络,该网络包含了一个修复分支和两个辅助分支,能够有效地利用多模式定位和语义信息,实现对各种正/不规则图像遮挡的修复,达到了最好的效果。
Aug, 2022
本研究介绍了一种使用生成对抗网络(GAN)修复法线贴图的新方法,该方法通过推断生成虚拟数据,并结合了损失函数的修改以适应特定的数据特征,实现了高质量逼真的修复结果,适用于表演捕捉等应用。
Jan, 2024