本文提出了一种基于生成对抗网络（GAN）框架的图像修复方法，该方法利用全局 GAN（G-GAN）架构和 PatchGAN 方法结合进行鉴别器网络的构建，可较好地实现图像贴图的局部连续性和全局特征。经大量评估发现，与最新的现有技术相比，该框架在视觉和数量评估方面均取得了显著的改进。

Mar, 2018

我们提出了一个通用的修复损坏图像的网络，能够分开处理连续和不连续区域，使用区域卷积来处理已有区域和缺失区域，并引入互相关损失以提供更多信息。实验结果表明，相对于现有方法，我们的方法在整张图片上能更精确地还原出缺失的区域。

Sep, 2019

本文提出了一种新的用于图像修复的 GAN 反演模型 InvertFill，它包括一个带有预调制模块的编码器和一个包含 F&W + 潜在空间的 GAN 生成器。通过使用 F&W + 潜在空间和 Soft-update Mean Latent 模块，该模型能够更好地实现图像修复。该模型在四个具有挑战性的数据集上的综合实验结果表明，在视觉和定量上优于现有的高级方法，并且很好地支持跨域图像的修复。

Aug, 2022

本文提出了一套联合预测滤波和生成网络的混合框架 JpgNet，通过结合预测滤波网络和生成网络，同时保留局部结构和整体理解，并提出了一种不确定性感知融合网络，可用于图像修复领域。在 Dunhuang、Places2 和 CelebA 等数据集上的实验表明，这项技术可以显著改善三种最先进的生成模型，同时时间成本略有增加。

Jul, 2021

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

本文提出了一种名为 DeepGIN 的深度生成修复网络，采用空间金字塔扩张 ResNet、多尺度自注意力机制和反向投影技术等方法实现多种类型图像修复，且在 FFHQ 和 Oxford Buildings 数据集中比其他具有代表性的方法表现更好。

Aug, 2020

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

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

利用样式生成对抗网络（StyleGAN）的潜在空间，将真实图像反转并通过语义丰富的特征表示进行多项编辑，进一步扩展到将被擦除的图像反转到 GAN 的潜在空间中进行逼真修复和编辑的更为困难的任务，通过将反转的潜在编码与随机样本的 StyleGAN 映射特征组合，通过训练编码器和混合网络，利用生成的数据来鼓励混合网络同时利用两个输入，并利用高速特征来防止修复部分与未被擦除部分的颜色不一致，并通过与先进的反转和修复方法进行实验和对比，定量指标和视觉比较显示出显著的改进。

Jul, 2023

COVID-19 全球大流行对人脸识别带来了新的挑战，掩面的现象出现后，作者考虑利用图像修复中的机器学习方法来解决这个问题，并通过生成对抗网络（GAN）的生成能力和 autoencoder 的潜力，实现对原本被口罩遮挡的部分进行完整性修复。

Sep, 2023