Jul, 2021

JPGNet：联合预测滤波和生成网络用于图像修复

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 深度生成模型在语义图像修复中的应用

    本文提出了一种基于生成模型的新型语义图像修复方法，该方法可在缺失的内容相互独立的情况下进行推理，并取得超越其他方法的像素级真实感。

    Jul, 2016

  • 具有上下文关注机制的生成图像修复

    本文提出了一种基于生成模型和卷积神经网络的图像修补方法，通过利用周围图像特征进行网络训练，生成的修补图像具有更高的质量和更逼真的纹理结构。

    Jan, 2018

  • 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

  • 基于生成多列卷积神经网络的图像修复

    本文提出了一种基于生成的多列网络来进行图像修复的方法，该方法通过采用置信度驱动的重建误差和多重随机场正则化来增强图像的全局和局部细节，在不需要进行后期处理的情况下，在挑战性的街景、人脸和自然场景下产生了令人信服的视觉效果。

    Oct, 2018

  • 迭代置信反馈和引导上采样的高分辨率图像修复

    本文提出了一种基于反馈机制的迭代图像修复方法，该方法使用深度生成模型输出填补结果和对应的置信度图作为反馈，结合引导上采样网络和真实对象移除场景下的训练数据的综合使用来实现高效图像修补。实验表明，该方法在定量和定性方面均优于现有方法。

    May, 2020

  • 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

  • MISF：多级交互Siamese滤波器用于高保真图像修复

    本文提出了一种新的图像修复方法，称为Multilevel Interactive Siamese Filtering (MISF)，该方法结合了图像级预测滤波和语义级的图像滤波，以恢复缺失的信息并提高修复质量。该方法在三个具有挑战性的数据集上进行了验证，并在四个指标上优于现有的基线模型。

    Mar, 2022

  • GRIG：少样本生成式残差图像修复

    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

  • Magicremover：无需调整的文本引导图像修复与扩散模型

    MagicRemover是一种基于强大的扩散模型进行文本引导的图像修复的无需调参方法，通过引入注意力引导策略来限制扩散模型的采样过程，实现指定区域的擦除和遮挡内容的恢复，同时提出一种分类器优化算法以在少量采样步骤内提高去噪稳定性，并通过定量评估和用户研究与最先进的方法进行广泛的比较，显示出MagicRemover在高质量图像修复上的显著改进。

    Oct, 2023

  • 通过潜空间优化进行连贯和多模态图像修复

    通过引入PILOT（基于新颖的语义集中和背景保护损失的潜在优化）方法，我们在现有的大规模扩散模型的基础上提出了一种优化方法，可以生成具有高保真度的修复区域，并与背景保持一致，从而在对给定提示进行回应时表现出更高的一致性、多样性和可信性。

    Jul, 2024