Mar, 2020

语义感知的混合场景图像修复的指导与评估

PDF
TL;DR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。
mixed scenesemantic segmentationimage inpaintingsge-netphoto-realistic textures
发现论文，激发创造
  • SPG-Net: 图像修复的分割预测和引导网络

    通过引入语义分割信息，本文提出了一种两步法的图像修复模型，将图像修复过程分为分割预测（SP-Net）和分割导向（SG-Net）两个步骤，实验证明，该方法优于现有方法，提供了多模态图像修复的可能性。

    May, 2018

  • 使用语义指导的交互式图像修复

    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

  • 基于多模态的无偏导向图像修复

    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

  • 深度生成模型在语义图像修复中的应用

    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

  • 由语义和纹理的连贯性先验引导下的图像修复

    本文提出了一种基于语义和纹理的一致性先验的图片修复方法，采用多尺度联合优化框架，通过 Semantic-Wise Attention Propagation 模块和两个一致性损失函数对图像语义和纹理进行逐层完善，在填补涉及多个语义类别的空洞时展现出优越性。

    Dec, 2020

  • 图像修复的一致语义注意力

    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

  • 基于语义引导的场景图扩展图像超出边界

    本文提出一种基于场景图转换器的理解和完成图像语义的方法，使用图上的节点和边缘特征进行建模，并采用节点和边缘级别的特征注意力机制，通过 MS-COCO 和 Visual Genome 数据集的实验证明这一模型的有效性及场景图扩展和完感布局转换的实际应用。

    May, 2022

  • 文本引导神经图像修复

    本文提出一种名为 TDANet 的图像修复模型，其通过文本的描述信息和图像的辅助区域来确定修复区的语义内容，利用双模态注意机制提取出明确的语义信息并应用图像与文本匹配损失，其结果表明，在两个公开数据集上，TDANet 模型在定量和定性评测中均达到了新的最佳水平，并且生成的图像与文本描述一致。

    Apr, 2020

  • 迭代几何感知交叉引导网络用于立体图像修复

    该论文提出了一种使用迭代式几何感知交叉引导网络实现立体图像修复的方法，该方法包含几何感知注意力模块和迭代交叉引导策略，可以提高两个视图之间对应区域的一致性，实现对立体图像的修复。实验结果表明，与最新的立体图像修复模型和最先进的单张图片修复模型相比，我们提出的网络表现更好。

    May, 2022

  • 基于纹理和结构双重生成的图像修补

    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