Jun, 2021

噪声不会撒谎：通往普适深度修复检测的路径

HTML
PDF
TL;DR本文旨在进行普适图像修复检测，实现检测网络广泛应用于不同的deep image inpainting方法，通过提出新的数据生成方法，建立训练数据集，并设计了Noise-Image Cross-fusion Network，有效利用图像和噪声模式中的区分性信息，在多个基准数据集上实证表明，我们的方法优于现有的检测方法并且对未知的deep inpainting技术具备很好的泛化能力。
发现论文，激发创造
  • 深度盲图像修复

    提出了一种盲图像修复算法，通过利用残差学习与编码解码结构来恢复缺失信息，以处理任意形状的损坏区域。

    Dec, 2017

  • DeepGIN: 极端图像修复的深层生成填充网络

    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

  • 深度视频修复检测

    该研究探讨了视频修补检测技术，提出了一种双流编码器解码器体系结构和注意力模块的 VIDNet 方法，该模型采用误差级别分析数据增强处理 RGB 帧，进一步利用卷积 LSTM 模型对编码得到的多模态特征进行空间和时间关系的探索，并使用四个方向的局部注意力模块来检测像素是否被修补，实验结果表明 VIDNet 方法能够在各方面超越其他同类方法并且具有很好的泛化能力。

    Jan, 2021

  • 缺陷检测的修复变压器

    这篇论文提出了一种使用自注意力方法的纯补全变换模型，用于计算机视觉中的异常检测，其使用深度学习自动编码器来识别图像中的异常部分，并可实现区分性补全，同时提高了检测结果的准确性。

    Apr, 2021

  • 通过引导式PatchMatch和自动筛选在现代相机分辨率下的修补

    通过结合深度学习和传统方法，使用 LaMa 和 PatchMatch 对超过 4K 分辨率的图像进行修复，并通过一种新颖的策略即 8x8 反对称成对偏好矩阵的列求和来选择一个好的修复结果。实验结果优于 8 种基线模型和 4 种 SOTA 模型。

    Aug, 2022

  • 基于深度学习的图像和视频修复研究综述

    通过深度学习，对于图像和视频修复的基于深度学习的方法进行综合评述，并从高水平的修复流程、深度学习架构、模块设计等多个角度进行分类总结。同时，讨论了训练目标、常见基准数据集、评估指标以及各修复方法的优势、局限性及实际应用，并探讨了公开挑战和未来可能的研究方向。

    Jan, 2024

  • 重新构想现实：视频修复技术的综合调研

    这篇论文通过分析视频修复技术的最新进展，探讨了计算机视觉和人工智能中的一个关键领域。论文通过人工评估和计算资源比较综合考虑视觉质量和计算效率之间的平衡，并为未来探索这个充满活力和不断发展的领域提供了指导。

    Jan, 2024

  • 学习通过首先移除图像对象来添加图像对象的绘画

    通过利用分割蒙版数据集和在蒙版内修复的修复模型，我们可以实现自动逆向修复过程，将对象添加到图像中，在没有用户提供的输入蒙版的情况下，提供了一种无缝地根据文本指令添加对象的方法。

    Apr, 2024

  • 基于深度注意力噪声学习的可信视频修复定位

    设计了一种具有优秀鲁棒性和泛化能力的受信任的视频修复定位网络（TruVIL），通过深度关注噪声学习多个阶段以捕捉修复痕迹，通过交叉模态关注融合模块探索两种互补模态之间的相关性，通过关注噪声解码模块选择性增强空间细节，实验证明了TruVIL相对于现有技术的卓越性能。

    Jun, 2024

  • 增强小波散射网络用于图像修复检测

    本研究解决了数字图像修复工具带来的伪造检测难题，提出了一种基于低级噪声分析的新方法。通过结合双树复小波变换和卷积神经网络，该方法能够有效检测和定位修复区域，并利用纹理分割与噪声方差估计的创新结合提高检测精度。研究表明，该方法在各项性能指标上优于现有最先进的技术。

    Sep, 2024