May, 2020

迭代置信反馈和引导上采样的高分辨率图像修复

PDF
TL;DR本文提出了一种基于反馈机制的迭代图像修复方法，该方法使用深度生成模型输出填补结果和对应的置信度图作为反馈，结合引导上采样网络和真实对象移除场景下的训练数据的综合使用来实现高效图像修补。实验表明，该方法在定量和定性方面均优于现有方法。
image inpaintingdeep generative modelfeedback mechanismguided upsampling networkobject mask dataset
发现论文，激发创造
  • 超高分辨率图像修复的上下文残差聚合

    提出了一种上下文残差聚合 (CRA) 机制来产生高频残差，从而实现对低分辨率预测的重量级聚合。该模型在小图片上进行训练，可在高分辨率图片上进行推断，其能力可达到以前的学习基础方法所无法实现的程度。

    May, 2020

  • 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

  • 引导式图像修补：通过另一幅图像提取内容替换图像区域

    本文提出了一种基于端到端网络的图像修复方法，使用不同的图像来引导合成新的内容并填充空洞，并在四项研究中展示了优于七种基线方法的更逼真的图像修复结果。

    Mar, 2018

  • Zoom-to-Inpaint：具备高频细节的图像修复算法

    本文提出一种将超分辨率应用于粗略重建输出并在高分辨率下进行细化，然后将输出缩小到原始分辨率的框架，以提高高频细节的重建效果，同时采用渐进式学习技术来辅助大空缺区域的训练，获得了比现有最佳方法更好的表现。

    Dec, 2020

  • 使用多尺度神经补丁合成的高分辨率图像修复

    提出一种基于多尺度神经网络贴片合成方法的图像修复算法，通过联合优化图像内容和纹理约束，不仅保留了上下文结构，而且通过匹配最相似的中间层特征相关性，产生高频细节。在 ImageNet 和 Paris Streetview 数据集上，该方法取得了最先进的修复准确性。

    Nov, 2016

  • 通过引导式 PatchMatch 和自动筛选在现代相机分辨率下的修补

    通过结合深度学习和传统方法，使用 LaMa 和 PatchMatch 对超过 4K 分辨率的图像进行修复，并通过一种新颖的策略即 8x8 反对称成对偏好矩阵的列求和来选择一个好的修复结果。实验结果优于 8 种基线模型和 4 种 SOTA 模型。

    Aug, 2022

  • 提高高分辨率图像修复的特征优化

    通过优化神经网络中间特征图的多尺度一致性损失，我们解决了高分辨率下 inpainting 神经网络质量下降的问题，获得了新的最先进结果。

    Jun, 2022

  • 图像细粒度修复

    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。

    Feb, 2020

  • HD-Painter：具高分辨率和忠实预示文字引导的扩散模型图像修复

    最近的文本引导图像修复研究表明，HD-Painter 是一个完全无需训练的方法，可根据用户的提示进行高分辨率图像修复，并在文本对齐和生成准确性方面取得显著提升。

    Dec, 2023

  • 可学习的双向关注映射用于图像修复

    本文提出了一种可学习的注意力地图模块，用于端到端的学习特征重归一化和遮罩更新，在适应不规则孔和卷积层传播方面具有高效性。此外，引入了可学习的反向注意力地图，使解码器集中于填充不规则孔，而不是重构两个区域，结果显示我们的方法可以生成更清晰，更连贯和更逼真的修复结果，并提供源代码和预先训练的模型。

    Sep, 2019