提出了一种两阶段的墙画增强和恢复模型(MER),用于受损且在低光条件下拍摄的古代壁画的大规模恢复。该模型不仅提高了恢复图像的视觉质量,而且在相关度量评估中取得了可喜的结果与其他竞争者相比。此外,我们还推出了一个专门用于古代壁画修复的网站,利用所提出的模型。
May, 2024
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
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
本文提出了一种基于生成的多列网络来进行图像修复的方法,该方法通过采用置信度驱动的重建误差和多重随机场正则化来增强图像的全局和局部细节,在不需要进行后期处理的情况下,在挑战性的街景、人脸和自然场景下产生了令人信服的视觉效果。
Oct, 2018
通過修改現有的兩種方法(CAR,HINet),我們在數碼化的敦煌石窟壁畫上實現了成功的壁畫修復和增強,其中一種方法(HINet)超過了敦煌挑戰的第一名,而我們結合的方法(ARIN)在噪聲方面表現出色,與第一名相媲美。
Feb, 2024
本文介绍了一种基于 Deep Image Prior 算法的图像修复方法,该方法对于数字人文领域中古老壁画的修复效果优于基于变分 / PDEs 和基于块的方法。作者通过将修复数据引入到一个未经过训练的卷积神经网络中,利用可靠信息匹配来完成修复。作为案例研究,作者将这种方法应用于地中海阿尔卑斯山区几个小教堂内高度损坏的中世纪画作的图像修复,并提供了详细描述。
Jun, 2023
该研究提出了一种名为 MPRNet 的多阶段架构,使用编码器 - 解码器架构学习上下文信息和高分辨率分支,结合像素自适应设计重新加权本地特征,从而实现复原图像的同时维持空间细节和上下文信息的最佳平衡,该架构在包括图像去雨、去模糊和降噪等多个任务上均表现出较强的性能表现。
Feb, 2021
本文提出了一种名为 DeepGIN 的深度生成修复网络,采用空间金字塔扩张 ResNet、多尺度自注意力机制和反向投影技术等方法实现多种类型图像修复,且在 FFHQ 和 Oxford Buildings 数据集中比其他具有代表性的方法表现更好。
Aug, 2020
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
提出了一个名为 3M-Hybrid 的模型,用于恢复永乐宫壁画,通过利用高频和低频特征的互补学习、整合预训练的 Vision Transformer 模型和多尺度多角度策略,改善了大尺寸壁画恢复过程中的缝隙和结构失真问题,取得了显著的实验结果优化。
Sep, 2023