RealFill 是一种新的生成式修复模型，通过只使用少量与目标图像无需对齐且具有不同视角、光照条件、相机光圈或图像风格的参考图像个性化，能够以视觉上引人注目且忠实于原始场景的内容填充图像的缺失区域。在各种不同且具有挑战性的场景中，我们发现 RealFill 在新的图像修复基准测试中表现优于现有方法。

Sep, 2023

语义修复，图像完成，图像增强，生成对抗网络 (GAN)，图像质量。

Jul, 2023

本文提出一种基于深度生成模型的有效面部完成算法，通过神经网络直接生成缺失区域的内容，并通过重构损失、两种对抗性损失和语义分割损失进行训练，能够处理任意形状的大面积丢失像素并生成逼真的面部完成结果。

Apr, 2017

本文提出了一种基于深度神经网络和纹理传播的学习方法来完成图像修复，通过分离任务为推理和翻译两个步骤并用简单的启发式算法指导局部纹理从边界到空洞的传播，我们证明了我们的方法在几个公共数据集上能够产生比以前的最先进方法更高质量的视觉结果。

Nov, 2017

FaithFill 是一种基于扩散的填补方法，用于逼真地生成缺失物体部分，使用单个参考图像生成多个视角的物体内插，达到了逼真地保留形状、纹理、颜色和背景的效果。

Jun, 2024

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

本文提出了一种协作式对抗学习算法 (collaborative GAN，简称 collaGAN)，结合面部完成 (face completion)、地标检测 (landmark detection) 和语义分割 (semantic segmentation) 等多项任务，以明确和增强语义知识，优化面部完成任务。大量实验证明该算法产生了卓越的性能表现，优于其他生成图像修复模型和单项任务学习方法。

Dec, 2018

我们的方法通过在物体边界框外使用其上下文来指导预训练的扩散修复模型，逐步扩展遮挡物体并修剪额外背景，从而克服了两个技术挑战，并在众多成功的修复情况中展现了改进的照片级修复结果。

Dec, 2023

该研究提出了一种有前景意识的图像修复系统，通过分离结构推断和内容完成，学习预测前景轮廓并利用预测的轮廓进行纹理填充。实验表明，该方法在处理复杂图像的同时，能够显著提高图像修复的性能。

Jan, 2019

通过使用预测过滤器和深度特征级语义过滤方法，提出了一种双路径合作滤波模型（DCF），以增强图像恢复的效果，并在三个具有挑战性的图像完成数据集上进行的实验表明，DCF 优于现有方法。

Apr, 2023