该研究提出了一种新的双流网络方法,能够模拟结构约束纹理合成和纹理引导结构重构,并且通过 Bi-directional Gated Feature Fusion 模块和 Contextual Feature Aggregation 模块实现更好的全局一致性和多尺度特征聚合,定量和定性实验证明了该方法的优越性。
Aug, 2021
本文提出了一个两阶段模型来解决图像修复中细节和结构重建的问题,第一阶段采用保边平滑图像训练结构重建器,第二阶段基于重构的结构设计纹理生成器来生成图像细节,实验证明该模型表现优异。
Aug, 2019
本文提出一个多任务学习框架,通过图像结构知识来辅助图像修复,并引入结构嵌入方案和注意机制来提供图像修复的前提条件和优化生成的结果,在多任务学习,结构嵌入和注意力机制的共同作用下,该框架充分利用结构知识,并在基准数据集上优于几种最先进的方法。
Feb, 2020
本文提出了一种采用能量模型的结构化图像修复方法,通过卷积神经网络学习图像的结构关系以及缺失区域,并在多个基准数据集上进行实验,发现其明显优于使用生成对抗网络的现有方法。
Jan, 2018
该研究提出了一种名为 MPRNet 的多阶段架构,使用编码器 - 解码器架构学习上下文信息和高分辨率分支,结合像素自适应设计重新加权本地特征,从而实现复原图像的同时维持空间细节和上下文信息的最佳平衡,该架构在包括图像去雨、去模糊和降噪等多个任务上均表现出较强的性能表现。
Feb, 2021
该论文提出了一种基于注意力机制的变形器模型依次恢复整体图像结构,利用一个附加的结构修复器,通过零初始化残差加法有效地集成预训练修补模型,采用掩膜位置编码策略提高了不规则掩膜修补效果。
Mar, 2022
本研究提出了一种基于语义引导和评估网络的图像修复算法,该算法在每个缩放级别利用语义分割图指导图像修复过程,并利用迭代更新方法实现结构先验和图像修复的协同更新,实验结果表明该方法在图像纹理清晰度和真实感等方面具有优越性。
Mar, 2020
本文提出了一种基于 GAN 方法的图像超分辨率算法,通过梯度信息作为额外的结构先验,以结构保留的方式减少回复的图像中的不良结构畸变,并引入可学习的神经结构提取器(NSE)来寻找更丰富的局部结构和提供更强的超分辨率监督。实验结果表明,该方法优于当前基于感知的 SR 方法。
Sep, 2021
本研究提出了一种结构保留超分辨率的方法,利用图像的梯度图来指导恢复,同时使用梯度损失和图像空间损失函数,帮助生成网络更加注重几何结构。实验结果表明,该方法在恢复结构的同时生成了自然的高清图片,并且在感知度和峰值信噪比等指标上表现出色。
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