ICLRMar, 2021

基于协同调制的生成对抗网络进行大规模图像补全

PDF
TL;DR提出了一种基于深度学习的图像补全方法，该方法通过融合条件生成和最近的无条件生成的模型结构，引入共同调制的方式来提高大规模缺失区域图像的补全质量，并使用新的 P-IDS/U-IDS 算法来提供真实图像的知觉保真度量化，综合实验数据表明，在自由形式图像补全和图像翻译方面，该方法的质量和多样性性能均优于现有方法。
conditional generative adversarial networksimage completionco-modulationinception discriminative scoreperceptual fidelity
发现论文，激发创造
  • 使用深度学习进行语义图像补全和增强

    本文提出了一种深度学习架构，使用生成对抗网络 (Wasserstein GAN architecture) 完成损坏、缺失图像的修复与增强，实验结果表明该方法相对于最近报道的结果，峰值信噪比和结构相似度指数提高了 2.45% 和 4%。

    Nov, 2019

  • 多模态形状补全的条件生成对抗网络

    这篇论文提出了一种用多模式条件生成模型进行多维形状补全的方法，能够消除单一输出方法存在的不确定性以获得更多的结果。通过多个数据集的实验，证明了该方法的多样性和质量。

    Mar, 2020

  • 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

  • 通过风格调制的生成对抗网络实现多样化的形状补全

    通过引入多样性惩罚和多尺度鉴别器，我们提出了一种新颖的条件生成对抗网络，可以从部分观察到的点云中生成多种多样的合理完整形状，这一方法在尊重部分观测的同时获得了更大的完成多样性。

    Nov, 2023

  • 基于区域的生成对抗图像修复技术：针对大面积缺失区域

    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

  • 使用生成对抗网络的语义图像补全与增强

    语义修复，图像完成，图像增强，生成对抗网络 (GAN)，图像质量。

    Jul, 2023

  • 随机缺失输入数据的多域图像补全

    本文提出了一种基于生成对抗网络 (GAN) 的多领域图像完成方法，该方法使用表示学习技术在多个领域中提取共享骨架编码和分离的肉体编码，以完成实际应用中可能出现的领域数据缺失问题，并证明所学习的表示方法对高级任务具有潜在价值。

    Jul, 2020

  • 具有上下文条件生成对抗网络的半监督学习

    本论文介绍了一种基于对抗损失的图像修复半监督学习方法，通过生成器填充图像中的孔洞，再用鉴别器判断图像的真实性，以实现对鉴别器的有监督训练，并在 STL-10 和 PASCAL 数据集上表现出与现有方法相当甚至更好的性能。

    Nov, 2016

  • 利用语义知识和协同对抗学习实现人脸补全

    本文提出了一种协作式对抗学习算法 (collaborative GAN，简称 collaGAN)，结合面部完成 (face completion)、地标检测 (landmark detection) 和语义分割 (semantic segmentation) 等多项任务，以明确和增强语义知识，优化面部完成任务。大量实验证明该算法产生了卓越的性能表现，优于其他生成图像修复模型和单项任务学习方法。

    Dec, 2018

  • 用生成式对抗网络实现无监督图像翻译

    介绍了一种基于深度卷积神经网络以及条件生成式对抗网络的通用方法，通过非监督学习来解决图像转换问题，实现了不同域之间的图像转换，并且在多样性方面表现出了很好的通用性。

    Jan, 2017