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

本研究提出了一种 GAN-based 图像修复模型，利用局部内在维数测量 GAN 模型学习到的数据子流形与原始数据之间的对齐性，并将 iLID 和 pLID 用作正则化，促进两个层面的子流形对齐：1）改善结构一致性的图像级对齐；2）改善纹理细节的补丁级对齐。经实验证明，我们的模型比现有的最先进模型能够产生更准确的结果。

Aug, 2019

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

提出了一种基于深度学习的图像补全方法，该方法通过融合条件生成和最近的无条件生成的模型结构，引入共同调制的方式来提高大规模缺失区域图像的补全质量，并使用新的 P-IDS/U-IDS 算法来提供真实图像的知觉保真度量化，综合实验数据表明，在自由形式图像补全和图像翻译方面，该方法的质量和多样性性能均优于现有方法。

Mar, 2021

本文是对已有图像修复方法的分析以及分类，分为基于顺序、基于 CNN 和基于 GAN 的方法，并提供不同类型图像失真的方法列表和可用数据集，为数字图像修复研究者提供了参考和方便了方法的比较和数据集的使用。

Sep, 2019

图像合成的目标是将前景对象与背景图像合并以获取逼真的合成图像。最近，基于大型预训练扩散模型的生成式合成方法由于其前所未有的图像生成能力而得到发展。然而，生成的结果往往会丢失前景细节并出现明显的伪影。在本文中，我们提出了一种名为 DreamCom 的尴尬简单方法，灵感来自 DreamBooth。具体来说，给定一个主题的几个参考图像，我们通过微调文本导向修复扩散模型来将该主题与特殊标记相关联，并在指定的边界框内修复该主题。我们还构建了一个专门为此任务设计的新数据集 MureCom。

Sep, 2023

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

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

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