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
提出一种基于多尺度神经网络贴片合成方法的图像修复算法，通过联合优化图像内容和纹理约束，不仅保留了上下文结构，而且通过匹配最相似的中间层特征相关性，产生高频细节。在 ImageNet 和 Paris Streetview 数据集上，该方法取得了最先进的修复准确性。
Nov, 2016
本文提出了一种基于反馈机制的迭代图像修复方法，该方法使用深度生成模型输出填补结果和对应的置信度图作为反馈，结合引导上采样网络和真实对象移除场景下的训练数据的综合使用来实现高效图像修补。实验表明，该方法在定量和定性方面均优于现有方法。
May, 2020
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。
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
本文提出了一种基于 FRRN 的失真图像修复方法，采用了逐步恢复的方法，利用残差网络技术实现了特征融合和纹理预测，同时采用了 N Blocks 策略和步长损失函数，取得了在质量和数量上均优于以往文献的效果。
Jul, 2019
本文提出了一种新的图像修补方法，利用连续隐式表达生成空间自适应参数，并结合快速傅里叶卷积、多层感知器等技术实现高分辨率图像修补，在视觉和计算性能上均优于现有的最新方法。
Mar, 2023
通过引入细节增强的注意力隐式表示（DEAR）方法，该研究旨在解决低分辨率图像中的遗失区域恢复和生成任意高分辨率的图像，并通过使用单一模型在高质量完成的图像方面取得成功。
Jul, 2023
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。
Sep, 2021
提出了一种使用 CNN 和 Transformers 进行全局推理的 few-shot generative residual image inpainting 方法，通过图像级和补丁级鉴别器及伪造补丁的对抗训练策略实现高质量修复效果，并通过对比评估表明该方法优于以往的 few-shot image inpainting 方法。
Apr, 2023