本文提出了一个两阶段模型来解决图像修复中细节和结构重建的问题,第一阶段采用保边平滑图像训练结构重建器,第二阶段基于重构的结构设计纹理生成器来生成图像细节,实验证明该模型表现优异。
Aug, 2019
该研究提出了一种新的双流网络方法,能够模拟结构约束纹理合成和纹理引导结构重构,并且通过 Bi-directional Gated Feature Fusion 模块和 Contextual Feature Aggregation 模块实现更好的全局一致性和多尺度特征聚合,定量和定性实验证明了该方法的优越性。
Aug, 2021
该论文提出了一种基于注意力机制的变形器模型依次恢复整体图像结构,利用一个附加的结构修复器,通过零初始化残差加法有效地集成预训练修补模型,采用掩膜位置编码策略提高了不规则掩膜修补效果。
Mar, 2022
本文介绍了一种基于 UNet 的双流终端到端架构,用于图像修复。其中,结构流辅助主流产生了合理结构和真实细节的结果。实验结果表明,该方法优于当前最先进的方法。
Nov, 2021
本研究提出了一种基于语义引导和评估网络的图像修复算法,该算法在每个缩放级别利用语义分割图指导图像修复过程,并利用迭代更新方法实现结构先验和图像修复的协同更新,实验结果表明该方法在图像纹理清晰度和真实感等方面具有优越性。
Mar, 2020
本文提出了一种采用能量模型的结构化图像修复方法,通过卷积神经网络学习图像的结构关系以及缺失区域,并在多个基准数据集上进行实验,发现其明显优于使用生成对抗网络的现有方法。
Jan, 2018
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
本文介绍了一种基于卷积内容编码器(CE)的视觉修复技术,使用感知重构损失进行训练,该方法可以成功地结构修复各种视觉场景,并结合一种基于神经块的优化算法推出了一种无先验的视觉修复方法。
Mar, 2018
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
本文研究了修复人造场景图像(inpainting)的任务,提出了学习 Sketch Tensor(ST)空间,以恢复图像中的边缘、线条和交点,并使用多尺度 Sketch Tensor inpainting(MST)网络进行结构细化,实现了很好的修复效果。实验证明了我们模型的高效性,并且在修复自然图像方面也与竞争对手具有相当的竞争力。
Mar, 2021