Jul, 2023

SuperInpaint：学习细节增强的注意力隐式表示进行超分辨率图像修复

PDF
TL;DR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。
superinpaintimage restorationdetail-enhanced attentional implicit representationhigh-resolution imagessuper-resolution methods
发现论文，激发创造
  • 图像修复的一致语义注意力

    提出了一种使用新型的连贯的语义注意力（CSA）层和深度生成模型的方法来进行图像修复的深度学习方法，能够更好地模拟孔特征之间的语义相关性，经过在多个数据集上的验证，该方法在图像修复领域取得了优异的成果。

    May, 2019

  • Zoom-to-Inpaint：具备高频细节的图像修复算法

    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

  • HINT：具有掩膜感知编码和增强注意力的高质量修复变换器

    通过引入新颖的遮罩感知像素混洗下采样模块（MPD）和在模型内进行高级推理的同时保持提取自损坏图像的可见信息的完整性的方法，以及通过空间激活通道注意力层（SCAL）提供的有效自注意力机制在多个尺度上对损坏图像建模，我们提出了一种端到端的高质量修复变换器 (HINT)，该方法在 CelebA、CelebA-HQ、Places2 和敦煌等四个数据集上展示了超越当代最先进模型的卓越性能。

    Feb, 2024

  • 深度生成模型在语义图像修复中的应用

    本文提出了一种基于生成模型的新型语义图像修复方法，该方法可在缺失的内容相互独立的情况下进行推理，并取得超越其他方法的像素级真实感。

    Jul, 2016

  • 基于上下文注意力机制和 SRGAN 的图像修复系统

    该研究使用深度学习、图像分类和计算机视觉技术的综合方法，利用全称为生成对抗网络（GAN）和上下文关注机制实现图像修复

    Apr, 2022

  • 使用语义指导的交互式图像修复

    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

  • 基于学习语义先验的上下文感知图像修复

    本文提出了一种基于预训练任务和语义先验的图像修复方法，通过预处理任务学习语义先验并将其适应于图像修复，提出了一种上下文感知的图像修复模型，全面融合全局语义和局部特征，实现了对 Places2，CelebA 和 Paris StreetView 数据集的最新技术水平。

    Jun, 2021

  • 深度高光谱先验：降噪、修复、超分辨率

    本篇研究旨在通过利用 CNN 的内在属性来解决高光谱图像处理中数据集过小导致训练困难的问题，并提出了一种新的不需训练网络的方法解决高光谱图像去噪、修复和超分辨率问题，该方法在性能上与已有的训练网络方法相当，但不受训练数据可用性限制。

    Feb, 2019

  • 可学习的双向关注映射用于图像修复

    本文提出了一种可学习的注意力地图模块，用于端到端的学习特征重归一化和遮罩更新，在适应不规则孔和卷积层传播方面具有高效性。此外，引入了可学习的反向注意力地图，使解码器集中于填充不规则孔，而不是重构两个区域，结果显示我们的方法可以生成更清晰，更连贯和更逼真的修复结果，并提供源代码和预先训练的模型。

    Sep, 2019

  • 增量变换器结构增强的图像修复与遮盖位置编码

    该论文提出了一种基于注意力机制的变形器模型依次恢复整体图像结构，利用一个附加的结构修复器，通过零初始化残差加法有效地集成预训练修补模型，采用掩膜位置编码策略提高了不规则掩膜修补效果。

    Mar, 2022