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

本研究提出了一种端到端的网络，旨在利用基于 Partial Convolutions 的边缘引导 U-Net 网络填充大面积部分，通过引入视差损失实现多视图立体一致性，采用真实立体遮罩训练，结果显示与之前的技术相比有一定的竞争优势。

May, 2022

提出了一种新颖的 “Intra-view and Cross-view Geometric knowledge learning Network (ICGNet)” 模型，以整合单景图片的几何知识和跨景因素（包括遮挡和匹配独特性）的几何知识，并通过利用兴趣点和它们之间的对应关系来增强几何知识的学习过程，从而在估计视差的能力上显著提高，实验证明了 ICGNet 模型相对于其他流行模型的优越性。

Feb, 2024

通过引入语义分割信息，本文提出了一种两步法的图像修复模型，将图像修复过程分为分割预测（SP-Net）和分割导向（SG-Net）两个步骤，实验证明，该方法优于现有方法，提供了多模态图像修复的可能性。

May, 2018

本研究提出了一种新的图像修复方法，结合了神经网络的先验知识和用户的引导，使用自动编码器和语义解码器完成两个阶段，实现对修复结果的自定义控制，实验结果表明该方法在修复质量和可控性方面优于现有方法。

Jan, 2022

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

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

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

本研究提出一种自我先验的网格修补框架，通过引入两个自监督图卷积网络训练来实现，从而在不需要任何训练数据集的情况下只需一个不完整的网格作为输入，并在修补过程中保持原始多边形网格格式，最终可以生成一个修补好的多边形网格。

May, 2023

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