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

使用语义条件生成对抗网络（GAN）进行序列修复，以在维护图像手势和场景语义的同时实现修复一致性和正确性，产生更具吸引力的图像。

Nov, 2017

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

本文提出了一种基于生成对抗网络（GAN）框架的图像修复方法，该方法利用全局GAN（G-GAN）架构和PatchGAN方法结合进行鉴别器网络的构建，可较好地实现图像贴图的局部连续性和全局特征。经大量评估发现，与最新的现有技术相比，该框架在视觉和数量评估方面均取得了显著的改进。

Mar, 2018

本文提出了一种建基于门控卷积的生成式图像修复系统，用于完成自由形状掩码和引导的图片修复任务。所提出的门控卷积解决了通用卷积中将所有输入像素视为有效像素的问题，并提供了一种可学习的动态特征选择机制，以适应于每个通道和空间位置上的输入。作者还提出了一种名为 SN-PatchGAN 的基于图像块的 GAN 损失，可以应用于自由形状掩码和根据用户指导进行图像扩展，并证明所提出的方法比以往任何方法都更加高质量和灵活性。

Jun, 2018

本研究提出了一种GAN-based图像修复模型，利用局部内在维数测量GAN模型学习到的数据子流形与原始数据之间的对齐性，并将iLID和pLID用作正则化，促进两个层面的子流形对齐：1）改善结构一致性的图像级对齐；2）改善纹理细节的补丁级对齐。经实验证明，我们的模型比现有的最先进模型能够产生更准确的结果。

Aug, 2019

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

本研究提出了一种基于逆掩码网络的视知觉对抗网络，用于面部图像修复，该方法结合了一个新的反向掩码操作符和特征空间的损失函数。与现有最先进方法相比，我们的方法在高分辨率图像修复任务中产生更逼真的输出，更符合人类视觉系统的认知。

Aug, 2020

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

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