使用生成对抗网络的端到端擦拭修复技术
本文提出了一种字体自动完成网络(TCN),它使用样本字符完成所有字体字符,并通过合并重构和其他各种损失函数,克服了中文等形态变化较多的语言难以保持各个字符风格一致的困难,并且相对于先前的图像转换模型,使用更少的模型参数生成了同一字体的高质量字符图像。
Nov, 2018
这篇论文介绍了 Pythia,它是第一个使用深度神经网络从损坏的文本中恢复缺失字符的古代文本修复模型,在 PHI-ML 上实现了 30.1% 的字符错误率并在古代文字修复领域达到了最新水平。
Oct, 2019
使用生成式对抗网络实现语义编辑,用文本描述所需属性对图像进行编辑和纠正匹配,生成新的属性,同时保留无关的原始内容。在 CUB 和 COCO 数据集上的实验证明了该方法的卓越性能。
Dec, 2019
该研究提出了一种名为DE-GAN的文档增强生成对抗网络框架,通过条件GAN对严重降解的文档图像进行恢复,实验证明DE-GAN可以在文本清理,二值化,去除模糊和去水印等不同任务中产生高质量的文档修复版本,并且相对于其他最先进的方法,它能够提供持续的改进,证明了该模型将被应用在其他文档增强问题上的灵活性。
Oct, 2020
本论文提出了StrokeGAN算法,通过使用一位笔画编码和笔画编码重建损失函数来避免CycleGAN模型的模式崩溃问题,并在九个不同的字体数据集上展示了StrokeGAN相对于现有方法在字符生成方面的显着优势.
Dec, 2020
本文提出了一种可控Unet生成对抗网络(CUGAN)来生成高频纹理,该网络包括基网络和条件网络两个模块,通过调整不同尺度的不同特征的权重实现交互控制还原级别,在鉴别器中对中间特征进行自适应调制,并通过简单的过渡方法提供GAN和MSE效果之间的平滑转换,适用于图像修复操作。
May, 2021
该研究论文探讨了文化遗产的保存与恢复问题,并提出了一种基于多模态深度学习的古代文字恢复模型(MMRM),通过结合上下文理解和损坏古代文物的残留视觉信息,实现同时预测损坏字符并生成恢复图像的功能。实验结果表明该方法在模拟实验和实际古代铭文中给出了有价值的恢复建议,为古代社会和文化的理解提供了贡献。
Mar, 2024