CVPRMar, 2021

TransFill：多模态颜色和空间变换引导下的参考图像修复

PDF
TL;DR本文提出了一种名为 TransFill 的图像修复方法，该方法通过参考与目标图像具有相同场景内容的另一幅源图像来填补缺失区域，通过多重单应性变换和像素级融合达到了当前最先进的性能。
image inpaintingtransfillmulti-homographypixel-level fusionstate-of-the-art performance
发现论文，激发创造
  • 基于上下文的图像修复：推断、匹配和翻译

    本文提出了一种基于深度神经网络和纹理传播的学习方法来完成图像修复，通过分离任务为推理和翻译两个步骤并用简单的启发式算法指导局部纹理从边界到空洞的传播，我们证明了我们的方法在几个公共数据集上能够产生比以前的最先进方法更高质量的视觉结果。

    Nov, 2017

  • 填写 ____ （基于扩散的图像修复流程）

    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

  • 引导式图像修补：通过另一幅图像提取内容替换图像区域

    本文提出了一种基于端到端网络的图像修复方法，使用不同的图像来引导合成新的内容并填充空洞，并在四项研究中展示了优于七种基线方法的更逼真的图像修复结果。

    Mar, 2018

  • RealFill: 基于参考图像的真实图像修复生成

    RealFill 是一种新的生成式修复模型，通过只使用少量与目标图像无需对齐且具有不同视角、光照条件、相机光圈或图像风格的参考图像个性化，能够以视觉上引人注目且忠实于原始场景的内容填充图像的缺失区域。在各种不同且具有挑战性的场景中，我们发现 RealFill 在新的图像修复基准测试中表现优于现有方法。

    Sep, 2023

  • RefFusion：3D 场景修复的参考适应扩散模型

    我们提出了一种基于多尺度个性化图像修复扩散模型的新型三维修复方法 RefFusion，通过引入参考图像，实现了对修复内容的显式控制，从而在保持高可控性的同时取得了最先进的物体去除效果。

    Apr, 2024

  • TransRef：多尺度参考嵌入变形器 —— 用于参考引导的图像修复

    本文提出了一种基于参考的图像修复方法，通过逐步参考嵌入和对齐修复和参考图像的关键点，结合参考图像信息用于引导修复过程，并在公开数据集上进行了验证。

    Jun, 2023

  • FaithFill: 使用单个参考图像进行准确修复的物体补全

    FaithFill 是一种基于扩散的填补方法，用于逼真地生成缺失物体部分，使用单个参考图像生成多个视角的物体内插，达到了逼真地保留形状、纹理、颜色和背景的效果。

    Jun, 2024

  • 深度流引导视频修复

    本文提出了一种新颖的视频修复方法，使用 Deep Flow Completion 网络综合光流场来引导像素填充，从而保证了视频内容的时空连贯性，并在 DAVIS 和 YouTube-VOS 数据集上取得了最优的修复质量和速度。

    May, 2019

  • 前景感知图像修复

    该研究提出了一种有前景意识的图像修复系统，通过分离结构推断和内容完成，学习预测前景轮廓并利用预测的轮廓进行纹理填充。实验表明，该方法在处理复杂图像的同时，能够显著提高图像修复的性能。

    Jan, 2019

  • 基于多模态的无偏导向图像修复

    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