本文提出了一种基于 FRRN 的失真图像修复方法，采用了逐步恢复的方法，利用残差网络技术实现了特征融合和纹理预测，同时采用了 N Blocks 策略和步长损失函数，取得了在质量和数量上均优于以往文献的效果。

Jul, 2019

通过同时训练辅助的上下文重建任务和修复生成器，我们提出了一种生成器无关的设计来解决存在困难的视觉填充问题，该设计在推理期间只需要差补生成器。实验结果表明，该方法在定量和视觉性能方面表现优于现有技术。

Nov, 2020

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

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

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

本文提出了一种新的无监督特征记忆重组网络（FMR-Net）来准确检测各种纹理缺陷，通过提取多尺度特征、对比学习模块（CMFM）、全局特征重排模块（GFRM）来构建正常特征记忆库，采用两阶段的训练策略，使用多模式检测方法来实现缺陷定位，实验证明该方法具有较高的检测精度，适用于边缘计算的智能制造场景。

Jun, 2022

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。

May, 2020

提出了一种新的基于掩模感知的修复算法，使用 Mask-Aware Dynamic Filtering (MADF) 学习缺失区域的多尺度特征，采用 Point-wise Normalization (PN) 动态分配权重，在一个端到端的框架中逐步利用重建损失、感知损失和总变分损失进行逐步优化。实验证明该算法在三个公共数据集上表现得非常出色。

Apr, 2021

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