ECCVJul, 2020

通过带有特征均衡的相互编码器 - 解码器重新思考图像修复

PDF
TL;DR本研究提出了一种互联的编码器 - 解码器卷积神经网络，用于联合填补结构和纹理的空洞区域，其中使用来自编码器深层和浅层的 CNN 特征表示输入图像的结构和纹理，使用双侧传播激活函数实现空间均衡。实验结果表明，所提出的方法对于恢复结构和纹理非常有效，并且与最先进的方法相比表现出优异的性能。
deep encoder-decodercnnsimage inpaintingstructuretexture
发现论文，激发创造
  • Shift-Net: 基于深度特征重排的图像修复

    本文提出了一种名为 Shift-Net 的 U-Net 架构的特殊移位连接层，用于使用编码器任务中已知的区域以估算缺失部分，并通过引入辅助损失函数来训练整个模型，实现图像修复中具有更加清晰，精细纹理和逼真视觉效果的结果。

    Jan, 2018

  • 上下文编码器：通过修补学习特征

    本研究提出了一种无监督的视觉特征学习方法，称为 Context Encoders，利用卷积神经网络通过上下文预测像素来对图像进行重构，该方法通过重构加对抗性损失双重学习获得更加清晰的结果，这种学习到的特征在分类、检测和分割等任务中表现出了很好的效果。

    Apr, 2016

  • 使用具有对称跳跃连接的卷积自编码器进行图像恢复

    本文提出一种使用对称卷积 - 反卷积层的深度全卷积自编码器网络用于图像修复，通过跳级连接缓解深度网络训练难的问题，达到了更快收敛和更好的修复效果。

    Jun, 2016

  • 增量变换器结构增强的图像修复与遮盖位置编码

    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

  • 图像修复的多级编码器 - 解码器架构

    本研究提出了一种基于编解码器网络的多层扩展框架，探究了不同网络结构对图像修复任务的影响，并与其他最先进方法进行了性能比较。关键词包括图像修复、深度学习、编解码器网络、网络结构和性能比较。

    May, 2019

  • EqGAN: 特征均衡融合用于少样本图像生成

    为了解决现有融合式少样本图像生成方法在生成质量和多样性上的不足，我们提出了一种新颖的特征均衡融合生成对抗网络（EqGAN）来进行少样本图像生成。通过将编码特征解耦为浅层内容和深层内容，并使用两个独立分支分别融合结构和纹理，我们能够在各个特征层次上细化图像内容，通过跳跃连接为解码器提供更丰富的信息。通过等化不同尺度的融合结构和纹理语义，并通过一致性等化损失将等化特征与解码器的中间输出进一步对齐，以解决融合结构和纹理可能不一致的问题。在三个公开数据集上的综合实验证明，EqGAN 不仅在 FID 分数（最高提升 32.7%）和 LPIPS 分数（最高提升 4.19%）方面显著提高了生成性能，还在下游分类任务的准确性方面超过了现有最优方法（最高提升 1.97%）。

    Jul, 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

  • 使用具有对称跳跃连接的非常深的卷积编码器 - 解码器网络进行图像恢复

    本文提出了一种具有对称连接多层卷积和反卷积操作的深度全卷积编码 - 解码框架，通过跳层连接缓解了梯度消失的问题，实现了优越的图像修复性能。

    Mar, 2016

  • 使用相同的编码 - 解码 CNN 结构的深度 BCD-Net 进行迭代图像恢复

    本文探讨了极端计算成像的问题，引入卷积神经网络等新方法，提高了图像复原的准确性和速度。

    Feb, 2018

  • 针对图像隐写术的端到端训练的 CNN 编码器 - 解码器网络

    这篇论文提出了一种基于卷积神经网络的编码器 - 解码器架构，用于将图像嵌入载体图像作为负载，通过端到端训练来确保最大负载容量和图像质量，并在多个公共数据集（如 MNIST，CIFAR-10，ImageNet，LFW 等）上进行了实证研究，取得了最先进的性能。

    Nov, 2017