PD-GAN: 图像修复的概率分布式生成对抗网络
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
本文提出了一种基于 DDPM 的模型,能够通过使用生成对抗网络(GAN)的生成器来建模反向扩散过程,从而以较低的采样成本填充丢失的像素,实验结果表明我们的方法在通用图像修复数据集上表现出卓越性能。
Aug, 2023
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
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
本研究提出了一种基于生成式对抗网络的图像拓展方法,通过对多个潜在编码的生成进行条件渲染,实现了对图像的多样化拓展,并可对分类输入进行拓展,其拓展区域结构和内容更加丰富,表现出更高的视觉质量和多样性。
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
本文提出了一种建基于门控卷积的生成式图像修复系统,用于完成自由形状掩码和引导的图片修复任务。所提出的门控卷积解决了通用卷积中将所有输入像素视为有效像素的问题,并提供了一种可学习的动态特征选择机制,以适应于每个通道和空间位置上的输入。作者还提出了一种名为 SN-PatchGAN 的基于图像块的 GAN 损失,可以应用于自由形状掩码和根据用户指导进行图像扩展,并证明所提出的方法比以往任何方法都更加高质量和灵活性。
Jun, 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
基于预训练的确定性条件图像生成模型的网络结构或参数不变,我们通过添加微小扰动攻击输入条件,提出了一种简单高效的插件投影梯度下降(PGD)方法来生成多样且可控的图像,从而为低层视觉任务应用对抗攻击打开了新的可能性。
Mar, 2024