Sep, 2021

用傅里叶卷积实现稳健的高分辨率大面罩修复

PDF
TL;DR提出了一种基于快速傅里叶卷积（FFC）的图像修复网络结构的新方法 —— 大掩模修复（LaMa），该方法使用高接受场感知损失和大型训练掩模使网络具有更大的接受场，通过在各项数据集上的实验得到了优越的性能。
发现论文，激发创造
  • GLaMa：通用图像修补的联合空间和频率损失

    介绍了一种名为 GLaMa 的基于 LaMa 图像修复框架的简单而通用的方法，该方法可以提高模型对于各种遮罩的鲁棒性，包括在训练阶段引入更多的退化图像以及引入基于频率的损失函数，并在 NTIRE 2022 图像修复挑战中获得了第一名。

    May, 2022

  • 使用部分卷积进行不规则孔洞的图像修复

    本文介绍了使用部分卷积方法进行图像修补，着重解决了现有方法中出现的颜色不匹配和模糊度高的问题，并通过实验证明了方法的有效性。

    Apr, 2018

  • 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

  • 提高高分辨率图像修复的特征优化

    通过优化神经网络中间特征图的多尺度一致性损失，我们解决了高分辨率下 inpainting 神经网络质量下降的问题，获得了新的最先进结果。

    Jun, 2022

  • MAT: 大洞图像修复的掩模感知 Transformer

    本文提出了一种基于 transformer 的大孔修复模型，它结合了大尺寸的图像处理和 transformer 的优势，通过在注意力模块中定制面向修复的 transformer 块并使用动态掩码来聚合非局部信息，得到了在多个基准数据集上最先进的效果。

    Mar, 2022

  • Zoom-to-Inpaint：具备高频细节的图像修复算法

    本文提出一种将超分辨率应用于粗略重建输出并在高分辨率下进行细化，然后将输出缩小到原始分辨率的框架，以提高高频细节的重建效果，同时采用渐进式学习技术来辅助大空缺区域的训练，获得了比现有最佳方法更好的表现。

    Dec, 2020

  • 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

  • 超高分辨率图像修复的上下文残差聚合

    提出了一种上下文残差聚合 (CRA) 机制来产生高频残差，从而实现对低分辨率预测的重量级聚合。该模型在小图片上进行训练，可在高分辨率图片上进行推断，其能力可达到以前的学习基础方法所无法实现的程度。

    May, 2020

  • 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

  • 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