服装图像不规则孔洞修复基准测试
通过整合先进的生成人工智能(GenAI)和计算机视觉技术,本研究探索了一种综合方法,重点是图像操作。研究的有效性在实验中得到验证,强调了其在生成引人注目内容方面的潜力,使用户能够根据特定提示对个人照片进行服装和背景的修改,无需手动输入修复遮罩,从而有效地将主题植入创意想象的广阔景观中。
Feb, 2024
图像修复是将图像中的缺失或故意遮挡部分恢复出来的过程,在现代修复技术中,我们提供了当前主要方法的概述和评估,并着重解决了现有模型在生成过程中缺乏提示和控制能力的问题,并提供了多种实现该功能的方法。最终,通过对生成的高质量图像进行定性检查,我们评估了我们的方法的结果是否能正确地修复指定区域。
Mar, 2024
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
本文介绍了一种新的图像修复框架,其将传统的基于块的方法和深度学习网络的优势结合起来,即在深度修复网络中植入来自未遮盖区域的块样本,使用纹理记忆指导纹理生成并进行端到端的训练。同时,引入块分布损失以提高合成块的质量。该方法在三个具有挑战性的数据集上(Places,CelebA-HQ,Paris Street-View)表现出更优秀的性能。
Sep, 2020
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
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
这篇论文通过分析视频修复技术的最新进展,探讨了计算机视觉和人工智能中的一个关键领域。论文通过人工评估和计算资源比较综合考虑视觉质量和计算效率之间的平衡,并为未来探索这个充满活力和不断发展的领域提供了指导。
Jan, 2024