Feb, 2020

图像细粒度修复

PDF
TL;DR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。
image inpaintinggenerative adversarial networksdilated convolutionsvgg feature matchingdiscriminator feature matching
发现论文，激发创造
  • 基于生成对抗网络的基于补丁的图像修复

    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

  • 基于区域的生成对抗图像修复技术：针对大面积缺失区域

    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

  • 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

  • 门控卷积自由形式图像修复

    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

  • GRIG：少样本生成式残差图像修复

    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

  • 无穷无尽：用生成对抗网络进行图像扩展

    本文介绍了一种基于生成对抗网络 (GAN) 的语义条件方法，可在图像扩展、全景图像生成等领域中取得强大的成果。

    Aug, 2019

  • EdgeConnect: 带有对抗边缘学习的生成图像修复

    本文针对图像修复中存在的细节缺失问题，提出了一种基于两阶段对抗模型 EdgeConnect 的图像修复方法，包括边缘生成器和图像完成网络，通过生成缺失区域的边缘信息并使用其作为先验来填补缺失区域，实验表明该方法在公开数据集 CelebA、Places2 和 Paris StreetView 上具有优异表现。

    Jan, 2019

  • 使用深度学习进行语义图像补全和增强

    本文提出了一种深度学习架构，使用生成对抗网络 (Wasserstein GAN architecture) 完成损坏、缺失图像的修复与增强，实验结果表明该方法相对于最近报道的结果，峰值信噪比和结构相似度指数提高了 2.45% 和 4%。

    Nov, 2019

  • 基于图像自适应 GAN 的重建

    本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足，提出一种图像自适应的修复方案，增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。

    Jun, 2019

  • DeepGIN: 极端图像修复的深层生成填充网络

    本文提出了一种名为 DeepGIN 的深度生成修复网络，采用空间金字塔扩张 ResNet、多尺度自注意力机制和反向投影技术等方法实现多种类型图像修复，且在 FFHQ 和 Oxford Buildings 数据集中比其他具有代表性的方法表现更好。

    Aug, 2020