VCNet: 盲目图像修复的强健方法
提出了一种使用新型的连贯的语义注意力(CSA)层和深度生成模型的方法来进行图像修复的深度学习方法,能够更好地模拟孔特征之间的语义相关性,经过在多个数据集上的验证,该方法在图像修复领域取得了优异的成果。
May, 2019
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
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
本文提出了一种基于深度学习的视频物体移除网络(VORNet),该方法通过结合光流修补和基于图像修补模型的方法,在时空上保持稳定性,对生成的视频进行了客观和主观评估,结果表明与现有方法相比,我们的 VORNet 在时空上生成了更加稳定的视频。
Apr, 2019
该研究探讨了视频修补检测技术,提出了一种双流编码器解码器体系结构和注意力模块的 VIDNet 方法,该模型采用误差级别分析数据增强处理 RGB 帧,进一步利用卷积 LSTM 模型对编码得到的多模态特征进行空间和时间关系的探索,并使用四个方向的局部注意力模块来检测像素是否被修补,实验结果表明 VIDNet 方法能够在各方面超越其他同类方法并且具有很好的泛化能力。
Jan, 2021
通过建立大规模视频目标修复基准数据集与新的 VOIN 技术将视频对象形状完成和遮挡纹理生成相结合,本论文提出了一种面向对象和遮挡感知的视频修复方法,致力于准确还原大尺度遮挡对象区域的形状和外观。
Aug, 2021
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
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