基于生成补全的高内容图像重建的保持表型的度量设计
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
本文介绍了一种新的图像修复框架,其将传统的基于块的方法和深度学习网络的优势结合起来,即在深度修复网络中植入来自未遮盖区域的块样本,使用纹理记忆指导纹理生成并进行端到端的训练。同时,引入块分布损失以提高合成块的质量。该方法在三个具有挑战性的数据集上(Places,CelebA-HQ,Paris Street-View)表现出更优秀的性能。
Sep, 2020
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
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
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
本研究提出了一种 GAN-based 图像修复模型,利用局部内在维数测量 GAN 模型学习到的数据子流形与原始数据之间的对齐性,并将 iLID 和 pLID 用作正则化,促进两个层面的子流形对齐:1)改善结构一致性的图像级对齐;2)改善纹理细节的补丁级对齐。经实验证明,我们的模型比现有的最先进模型能够产生更准确的结果。
Aug, 2019
使用最新的成像和高性能计算技术实现了在细胞水平对整个人脑进行成像,为研究人脑的多尺度结构(包括大脑区域和核团的划分、皮层层次、纵列和细胞群体)提供了基础。本研究提出了一种基于噪声扩散概率模型(DDPM)的模型,通过训练细胞染色切片的光镜扫描图像,能够可靠地填充缺失信息并生成高度逼真的图像信息,用于细胞统计和形态模式的分析,得到了验证。
Nov, 2023
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